神经科学中的无监督对齐新工具：基于Gromov-Wasserstein最优传输的跨脑表征分析方法开发与应用

本研究针对神经科学中传统监督对齐方法（如RSA）在跨脑/跨物种表征比较中的局限性，创新性地开发了基于Gromov-Wasserstein最优传输（GWOT）的无监督对齐工具箱GWTune。通过整合随机初始化和Optuna超参数优化技术，成功实现了行为数据、神经活动记录和人工神经网络模型的三类关键数据的跨模态对齐，揭示了传统方法难以捕捉的精细结构对应关系（如一对一映射、群组映射和偏移映射），为神经表征比较研究提供了全新方法论框架。

　　

在神经科学研究中，如何准确比较不同大脑、物种或人工神经网络对相同感官刺激的表征差异，一直是困扰研究者的核心难题。传统方法如表征相似性分析（RSA）依赖于"相同刺激引发相同神经响应"的强假设，但在比较不同物种或特殊人群（如色觉异常者）时，这种假设往往难以成立。更棘手的是，当研究目标本身就是验证这种假设时，传统方法便陷入了自证循环的困境。这就像试图用同一把钥匙打开所有锁具——当锁芯结构存在微妙差异时，强行对齐只会掩盖真正的生物学意义。

针对这一方法论瓶颈，日本东京大学Oizumi实验室的研究团队在《Journal of Neuroscience Methods》发表了一项突破性研究。他们基于数学领域的最优传输理论，将Gromov-Wasserstein最优传输（GWOT）这一原本用于3D物体对齐和语言翻译的算法，创新性地应用于神经科学领域。研究团队开发了名为GWTune的开源工具箱，通过随机初始化运输矩阵和集成Optuna超参数优化平台，解决了GWOT非凸优化中的局部极小值难题。该方法不依赖刺激标签，仅通过内部表征相似性结构就能识别出精细的对应关系，包括传统方法无法区分的"一对一映射"、"群组映射"和"系统性偏移映射"等模式。

关键技术方法包括：1）基于Python的GWOT算法实现（使用POT库）；2）Optuna平台的超参数（如熵正则化系数ε）优化；3）对Allen Brain Institute的Neuropixels数据、THINGS行为数据集和ResNet50/VGG19模型的跨模态分析；4）通过主成分分析（PCA）进行降维可视化验证。

研究结果部分，作者通过三类关键数据验证了GWOT的优越性：

1. 行为数据对齐：在THINGS数据集1854个自然物体的心理相似性判断中，GWOT成功区分了男女参与者群体间64.7%的个体水平对应关系，而传统RSA仅能给出整体相似性（ρ=0.96）的模糊结论。

2. 神经数据对齐：对Allen Brain Observatory中30只小鼠的神经像素（Neuropixels）记录分析显示，在伪小鼠群体间，前外侧视觉皮层（VISal）和前内侧视觉皮层（VISam）对90段自然电影刺激的反应呈现出92.2%的时间序列对齐精度，揭示了传统方法忽略的时空动态对应模式。

3. 模型数据对齐：在ResNet50与VGG19的最后一层全连接层表征比较中，GWOT发现了30.2%的图片级别对应关系，而类别水平的匹配率更高达78.1%，证明不同架构的DNN确实在抽象表征层面存在系统性转换关系。

特别值得关注的是，研究者通过精心设计的对照实验证明：当两个表征结构在RSA中显示相同相似性（ρ=0.9）时，GWOT能鉴别出三种本质不同的对应模式——精细个体对应（图7a）、粗粒度类别对应（图7b）和系统性标签偏移（图7c）。这种分辨能力在比较可能存在"倒置感受质"（inverted qualia）的个体间差异时尤为重要，例如验证颜色感知是否存在个体特异性这一意识研究中的经典问题。

在讨论部分，作者强调了该方法在三个方面的突破性意义：首先，GWOT首次实现了不依赖先验假设的神经表征比较，为验证"跨个体表征一致性"这一基本问题提供了实证工具；其次，通过揭示ResNet50与VGG19间存在的可转换表征结构，为解释不同神经网络模型的泛化能力差异提供了新视角；最后，工具箱集成的随机初始化和贝叶斯优化策略，显著提高了GWOT在神经科学应用的稳定性和可重复性。

这项研究不仅为神经表征比较建立了新范式，其方法论框架还可扩展到脑机接口、精神疾病生物标志物发现等领域。正如作者指出的，未来通过整合部分GWOT（partial GWOT）和改进低秩优化算法，有望进一步解决跨模态对齐中的离群值敏感问题，推动神经科学进入"无监督比对"的新时代。