摘要
大规模的钙成像为神经群体动态建立基础模型提供了机会，但一个核心问题尚未解决：预训练的模型能否在新的数据集、实验范式，甚至不同物种中进行泛化？现有方法通常针对特定任务设计，并在单一数据集上评估，这使得其学习到的表示在新钙迹数据集上的可重用性变得不明确。为了解决这一问题，我们提出了CAPT，即Continuous Autoregressive Population Transformer，用于钙成像动态。CAPT通过连续补丁标记化策略直接建模连续钙迹，并采用自回归训练，支持端到端的预训练和对多样下游任务的适应。
我们首先在大规模小鼠钙成像数据集上预训练CAPT，并评估其在不同实验室收集的独立小鼠、幼虫斑马鱼和秀丽隐杆线虫数据集上的迁移能力。在这些迁移设置中，预训练的主干被冻结，仅更新适应模块。在神经群体预测和行为解码任务中，CAPT始终优于专门和通用的基线模型。结合使用秀丽隐杆线虫数据集中的NeuroPAL注释进行的多模态分析表明，CAPT嵌入形成了跨数据集的共享功能空间，并捕捉到与解剖细胞身份相关的结构。这些结果表明，连续自回归建模为钙成像的通用神经基础模型开辟了一条简单的途径，能够在不同数据集、实验范式和物种之间进行泛化。
博主点评：CAPT模型的提出为神经科学领域的基础模型创造了新的可能性，尤其是在多样化的实验条件和物种之间的泛化能力上具有显著优势。这一进展无疑将推动钙成像技术的应用与研究，值得进一步关注。