این مقاله که چند روزیه آدما زیاد راجعش صحبت میکنن با استفاده از دیتای IBL، فعالیت بیشتر از ۱۴ هزار نورون (درواقع ۴ هزار!) در ۴۳ ناحیه‌ی کرتکس موش رو موقع انجام یه task تصمیم‌گیری بررسی کرده. سؤال اصلی‌شون اینه که آیا نورون‌های هر ناحیه به چند گروه مشخص با کارکردهای جدا تقسیم می‌شن، یا هر نورون ترکیب متفاوتی از اطلاعات حسی، شناختی و حرکتی رو represent می‌کنه.

نتیجه‌ی اصلی اینه که در بیشتر نواحی کرتکس، نورون‌ها به دسته‌های عملکردی تمیز و جدا از هم تقسیم نمی‌شن. در عوض، هر نورون ترکیب متفاوتی از متغیرهایی مثل stimulus، choice، حرکت wheel، licking و whisking رو نشون می‌ده. این درواقع موید ایده معروف نویسنده مقاله یعنی Fusi هستش که به اسم mixed selectivity مشهوره. این تنوع باعث می‌شه representation جمعیت نورونی high-dimensional باشه؛ یعنی حتی یه linear decoder ساده هم بتونه تعداد زیادی از conditionهای مختلف رو از هم جدا کنه. هرچی هم در hierarchy کرتکس بالاتر می‌ریم، این تنوع و dimensionality بیشتر می‌شه. که خب این هم یکی از پروژه‌های مهم Fusiعه، اینکه مغز خطی کار می‌کنه و اساساً high-dimensional بودنش برای همینه.

به‌نظرم این مقاله یه نمونه‌ی خیلی خوب از کاربردیه که دیتاست‌های open-access می‌تونن داشته باشن: بدون جمع‌کردن دیتای جدید هم می‌شه از یه دیتاست عمومی نتیجه‌های مفهومی مهمی گرفت. از طرف دیگه، برای یادگرفتن آنالیز دیتای نورونی و خیلی از مفاهیم مهم computational neuroscience هم مقاله‌ی خیلی خوبیه، چون کلی روش مهم رو کنار هم استفاده کرده. خلاصه اگر واقعاً به نوروساینس علاقمندید ارزششو داره تهشو دربیارید چون خیلی چیزا یاد می‌گیرید! (البته که طول میکشه)

درضمن فیگرهاش هم واقعاً مسترکلاس ساخت فیگر برای آنالیزهای پیچیدست. تازه خیلی خوب هایپوتزها رو ساده‌سازی می‌کنه.

بااین‌حال، من حداقل سه تا نقد بهش دارم:

۱. مقاله توی خیلی از فیگرهاش نشون میده که بین نحوه بازنمایی و هندسه فعالیت نواحی مختلف با میزان شناختی بودنشون رابطه هست. من میدیدم بعضی‌ها این برداشت رو کرده بودن که پس این مقاله داره brain-wide بودن سیگنال‌ها (که چند سالیه تو نوروساینس برجسته شده و قبلا دربارش نوشتم) رو نقش می‌کنه، درحالی که اصلا اینطور نیست و دقیقاً برعکسشه! «ماژول‌هایی» که مقاله درباره‌شون حرف می‌زنه، بیشتر درباره‌ی اینن که نواحی مختلف اطلاعات رو چطور represent می‌کنن، نه اینکه چه اطلاعاتی رو represent می‌کنن. همه متغیرها همچنان در بخش بزرگی از کرتکس پخش هستن و تفاوت نواحی بیشتر در ترکیب نسبی selectivityها و geometry اون‌هاست.
بنظرم این مقاله هم از brain-wide بودن عموم متغیرها حمایت میکنه اما نشون میده که نحوه بازنمایی در نواحی محتلف متفاوته.

۲. خیلی از متغیرهای تسک در دیتاست IBL از نظر رفتاری و زمانی شدیداً به هم وابسته‌ان: block، stimulus، choice، outcome، wheel، whisking و licking. مدل RRR با وجود این همبستگی‌ها می‌تونه فعالیت نورونی رو خوب predict کنه، ولی coefficientهای مدل لزوماً سهم زیستی منحصربه‌فرد هر متغیر رو از بقیه جدا نمی‌کنن. البته این درواقع مشکل طراحی تسک IBLعه که من خودم حسابی سر آنالیزش اذیت شدم چندین ماه! ولی خب میتونستن با استفاده از همین آنالیزها روی بخش sponteneous دیتاست بعضی سوالات رو جواب بدن.

۳. تقریبا همه آنالیزهای مقاله روی ۴۶۱۷ نورون از بیشتر از ۱۴ هزار نورون انجام شده؛ یعنی نورون‌هایی که فعالیتشون به‌اندازه‌ی کافی با هشت متغیر انتخاب‌شده predict می‌شده. بنابراین سوال بزرگ اینه که اون حدود ۱۰ هزار نورون دیگه دارن چی‌کار می‌کنن و اضافه‌کردنشون چه اثری روی dimensionality و separability داره.

در مجموع، برداشت من اینه که مقاله شواهد خوبی برای brain-wide representation اطلاعات ارائه می‌ده، ولی هم‌زمان نشون می‌ده که نواحی مختلف این اطلاعات رو به شکل‌های متفاوتی با هم ترکیب می‌کنن. مقاله geometry این representationها رو خیلی خوب توصیف می‌کنه، و بشدت هم مقاله آموزنده‌ای هستش.

https://doi.org/10.1038/s41586-026-10668-4

@bahramani_ch