MOJO：未ラベル神経データで汎化しやすい神経デコーダを目指す

導入

脳コンピュータ・インターフェースや閉ループ神経科学実験では、神経活動から運動、知覚、意思決定、発話に関わる情報を読み出す神経デコーダが重要になる。しかし、強力なデコーダを訓練するには、神経記録と行動ラベルが正確に対応したデータが必要になることが多い。こうしたラベル付きデータは収集コストが高く、セッションや個体が変わるとモデルの適応も難しくなる。

arXiv 論文「Leveraging unlabelled data for generalizable neural population decoding」は、この課題に対して MOJO（Masked autOencoder-based JOint training）を提案している。MOJO は、スパイクレベルで神経データをトークン化するモデルに、マスク付き自己符号化による自己教師あり学習を組み込み、教師ありデコード目標と同時に最適化する枠組みだ。

主要ポイント

• 未ラベル神経データの活用：従来の spike-tokenizing モデルは高い性能を示してきた一方、行動ラベル付きデータに強く依存していた。MOJO は、ラベルのない神経活動からも構造を学べるようにする。
• 自己教師ありと教師ありの共同学習：モデルは一部が隠された神経活動を再構成しながら、同時に行動関連のデコードも学習する。これにより、信号内部の規則性とタスク出力の両方を捉える。
• 複数のスパイクデータで評価：論文では、到達運動中のサル運動皮質記録、視覚・意思決定課題中のマウス多脳領域記録を含む 3 種類のスパイキングデータセットで検証している。
• ラベル不足時に強い：純粋な教師あり学習モデルと比べ、MOJO は特にラベルが限られる状況で有利だった。新しいセッションに少量のラベルだけで適応する few-shot 微調整で効果が目立つ。
• 解釈しやすい表現：自己教師あり学習を加えることで、明示的に最適化していない脳領域分類やスパイク統計予測でも性能向上が見られた。
• スパイク以外にも拡張：人間の発話中 ECoG データにも適用され、連続信号向けに設計された神経基盤モデルに近い性能を示したと報告されている。

意義と影響

MOJO の重要性は、神経デコーダの訓練に使えるデータの範囲を広げた点にある。神経科学や臨床応用では、未ラベルの神経記録は比較的蓄積しやすい一方、行動ラベルを精密に付与したデータは限られる。未ラベルデータから汎用的な神経表現を学べれば、新しいセッションや利用者への適応コストを下げられる可能性がある。

また、この研究は神経基盤モデルの流れともつながる。個別の実験ごとに小さなモデルを作るのではなく、多様な神経データで事前学習し、下流タスクへ転用する方向性だ。MOJO は、自己教師あり学習がスパイクベースのモデルにも有効であり、タスク、種、信号モダリティをまたぐ柔軟性を高め得ることを示している。

現時点では arXiv のプレプリントであり、長期運用や臨床レベルの脳コンピュータ・インターフェースでの検証は今後の課題だ。それでも、未ラベル神経データを積極的に訓練へ取り込むという方向性は、次世代の神経デコード研究にとって重要な示唆を持つ。

出典：arXiv