從日出到日落，跨大腦區域的交流有助于促進我們所做的每一個動作。例如，看、聽、走和唱歌都是通過大腦中同時發射的大量神經元之間的相互作用而實現的。來自卡內基梅隆大學、阿爾伯特愛因斯坦醫學院和 Champalimaud 基金會的合作者已經合作了十多年，以使用最先進的實驗和統計方法更好地了解大腦中的交流流程。他們最新的勝利是一種全新的統計方法，即跨組延遲潛伏 (DLAG)，它可以解開大腦區域之間中繼的信號，即使大腦區域之間的通信是雙向的。

“我們開發的方法 DLAG 適合更廣泛的機器學習或研究高維神經信號的統計方法類別。新穎的方面是識別不同大腦區域共享的活動模式，”埃夫倫說Gokcen，卡內基梅隆大學電氣和計算機工程專業的研究生。

“幾十年來，研究一直集中在一次記錄一個大腦區域的一個或幾個神經元。但隨著神經記錄技術的進步，瓶頸已經轉移到能夠分析和解釋來自多個神經元的大量神經元的記錄。大腦區域。”

人們普遍認為，大腦中的任務是通過神經元一起改變它們的活動來完成的。活動模式是指神經元相互協調其活動的特定方式。識別大腦區域之間交流所涉及的活動模式的一個挑戰在于這種交流通常是雙向和同時發生的。神經記錄反過來顯示了一個錯綜復雜的交流視圖。

“為了在解開通信方面取得進展，我們利用了一個簡單的見解：你不能立即發送信號;信息傳播需要一些時間，”Gokcen 解釋說。“在考慮通信延遲時，視頻會議是一個很好的參考點;它在大腦中也很相似。通過 DLAG，我們利用了時間延遲，因此如果信號首先出現在區域 A，然后出現在區域 B，那么我們會采用意思是 A 區將信號發送到 B 區。使用 DLAG 方法，我們可以梳理同時中繼的信號。

從更大的角度來看，DLAG 可以應用于其他神經科學應用，例如了解不同細胞類型之間(例如，抑制性和興奮性神經元之間)或大腦不同層之間的相互作用。

“引入 DLAG 就像引入手術刀，以獲得關于大腦區域如何相互交流的潛在更深入的見解，”生物醫學工程和電氣與計算機工程教授 Byron Yu 說。“結合這篇論文，我們正在向科學界的其他人提供我們的源代碼。DLAG 可用于研究我們關注的視覺系統之外的其他大腦系統，例如研究記憶、決策和電機控制。”