格点表示为气味空间和神经空间提供了新的组织原则

《Neural Networks》：Lattice representations suggest novel organizing principles for odorant and neural spaces

　　要点：•通过K-FCA方法，我们展示了如何从神经活动数据中提取可解释的格子结构化表示，用于描述气味特征及神经活动，这一结果表明秀丽隐杆线虫的感官系统使用格子结构化空间来编码感官信息。•引入了一种基于形式概念分析的可解释神经符号框架，用于研究分级的神经反应。与二元方法相比，格子结构能更清晰地展现神经元之间的关联。•通过交叉验证进行稳定性评估，确保研究结果既稳定又具有生物学意义。•提出了自动化的、基于数据的分析阈值选择方法，减少对专家判断的依赖，提高结果的重复性。•将兴奋性和抑制性反应整合到同一格子结构中，从而揭示出与情境相关的行为模式。该方法已应用于秀丽隐杆线虫的化学感觉数据，也可推广至其他分级输入输出数据集。

引言：人工智能领域的许多重要进展，都直接或间接地借鉴了来自生物神经系统与认知研究的理念：卷积神经网络中的分层处理（LeCun和Bengio，1998年）；通过时间反向传播在递归模型中进行时间信用分配（Werbos，1990年）；以及长短期记忆网络和编解码器架构中的记忆-注意力机制（Cho等人，2014年；Hochreiter和Schmidhuber，1997年）。这些发展最终催生了变换器架构（Vaswani等人，2026年）以及基于扩散模型的现代生成模型（如高分辨率图像合成中的潜在扩散模型，2026年），这充分体现了生物智能为人工智能的发展提供了诸多概念性指导。在寻找能够推动人工智能取得重大进展的新自然特征时，我们必须认识到，生物体在处理大量内部和外部信息流方面的卓越能力，正是生物智能的核心所在。有多位学者认为，现在正是逆向工程构建完整神经系统的好时机（Chen等人，2023年；Haspel等人，2026年；Sprague等人，2026年；Zhao等人，2024年）。事实上，秀丽隐杆线虫作为一种模式生物，由于其结构简单、透明度高，再加上人们开发出了用于记录其每个神经元个体活动的新型成像技术（Yemini等人，2021年），其神经系统的相关细节已被深入研究，因此它是为下一代人工神经网络提供灵感的理想候选对象（Bardozzo等人，2024年）。然而，即便要逆向工程一个结构较为简单的神经系统，也需要了解感官信息是如何被组织成结构化的内部表示的。这依然是神经科学领域的一个核心挑战。在那些结构较为简单的神经系统中，人们本以为会存在更为直观的信息处理机制，但实际上，刺激与神经反应之间的关系远非如此简单。即便能够测量单个神经元的活动，所得到的反应矩阵也往往具有分级性、异质性且充满噪声，这使得很难判断数据中的哪些方面反映了具有生物学意义的组织结构，而非实验带来的随机变化。在本文中，我们认为概念格子作为一种数学结构，可用于提取气味特征及神经空间的可解释表示，这类表示比主成分分析、潜在语义分析、均匀流形近似与投影、t分布随机邻域嵌入等传统方法，以及更多现代嵌入方法（详见第2节）更有利于知识提取，因为后者往往难以对各个维度进行合理解读。我们的神经符号方法框架基于形式概念分析及其分级扩展版本K-形式概念分析构建（详见3.1节）。形式概念分析已被用于布尔矩阵上的神经编码解读（Endres和Foldiak，2008年；F?ldiák，2009年），也被用于fMRI人类神经数据的研究（Endres等人，2012年）。我们针对实值数据场景开发的K-FCA方法（Valverde-Albacete和Peláez-Moreno，2018年），已在Reyner-Fuentes、Peláez-Moreno、Valverde-Albacete在2024年和2025年的研究中提出，用于解析秀丽隐杆线虫气味感知系统的结构。但本文的创新之处主要有三点：•证明了该方法具有很强的稳健性，几乎不会受到异常值或虚假数据等干扰因素的影响。•提供了一种自动选择分析参数φ的方法，便于非专业数据领域人员使用。•将兴奋性和抑制性机制整合到同一格子结构中，从而能够全面分析每个神经元的各种行为表现。为展示该方法的实际效用，我们首先在第2节中结合具体情境回顾了前述技术以及常与形式概念分析相比较的双聚类方法。随后在第3节详细介绍我们所提出的方法，第4节则展示在神经数据上取得的实验结果。第5节为讨论与结论部分，最后还附有两个附录，帮助读者理解形式概念分析和K-形式概念分析的基础知识以及概念格子的读法。

方法对比：与标准嵌入及特征重要性方法的比较：降维和流形学习方法是用于探索性分析及可视化高维神经数据的重要工具。主成分分析这类线性方法通过捕捉方差最大的正交方向来降低数据维度，同时还能提供可解释的载荷值，指示哪些原始变量（此处指神经元）对各个成分有贡献（主成分分析，2022年）。独立成分分析则试图从统计角度……

所提方法：在本节中，我们将阐述理解该方法所需的概念性思路及关键方法组成部分。关于形式概念分析与K-形式概念分析的详细数学推导，以及如何解读概念格子的简要指南，可分别参见附录B和附录C。

神经数据上的实验结果：本节介绍了用于将所提分析方法应用于秀丽隐杆线虫对气味刺激的神经反应数据时的建模框架。K-形式概念分析的目标是从这种线虫的感官系统中提取稳定且可解释的概念结构，从而把握其中的兴奋性与抑制性关系。因此，我们得到的主要结论是：秀丽隐杆线虫的感官系统确实使用格子结构化空间来编码感官信息。本节将详细介绍我们是如何得出这一结论的。

讨论与结论：除了技术层面和方法论上的贡献之外，这些研究结果对于寻找能够为人工智能未来发展提供灵感的生物学原理也具有重要意义。正如我们在引言中所论述的，人工智能领域的进步或许越来越依赖于从那些在严格能量和计算限制下运行的简洁生物系统中获得的启示。秀丽隐杆线虫的感官系统正是生物神经子系统的典型代表：尽管其……

CRediT作者贡献说明：Emma Reyner-Fuentes：写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件开发、方法设计、研究实施、形式分析、数据整理、概念构思。Carmen Peláez-Moreno：写作——审稿与编辑、写作——初稿撰写、验证、监督工作、软件开发、资源协调、项目管理、方法设计、资金申请、概念构思。Francisco J. Valverde-Albacete：写作——审稿与编辑、写作——初稿撰写、验证。

利益冲突声明：作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢：本文得到了MICIU/AEI/10.13039/501100011033资助的项目PID2021-125780NB-I00和PID2024-158251NB-C31，以及“ERDF A way of making Europe”项目的支持。作者们还要感谢Manuel Zimmer、Jalaja Madhusudhanan以及Zimmer实验室的其他成员，他们对结果解读提出了许多有益的建议和意见。

Emma Reyner-Fuentes | Carmen Peláez-Moreno | Francisco J. Valverde-Albacete