Neuralign把跨会话神经记录放进同一个张量分解：共享时间曲线，试次与神经元权重各会话自估
核心概要
Neuralign把来自不同会话、不同动物、神经元采样各不相同的神经记录放进同一个张量分解，每个成分共享一条时间曲线，而试次强度和神经元权重按会话各自估计，因此不需要匹配同一批神经元或同一批试次。在19只小鼠的93段全脑记录上，无监督拟合得到的单个成分把前外侧运动皮层（ALM）光遗传抑制的三种条件区分开，留出会话上的平衡准确率为0.647，随机水平为1/3。该成分的变化与行为准确率下降呈弱相关（ρ=0.266，180个会话—抑制观测）。
深度剖析
多会话神经记录现在可以联合分解，而不必先假定同一批神经元被追踪到，也不必先把各会话压进一个公共空间再分解。 此前的张量成分分析要在会话间对应成分，需要跨会话追踪同一批神经元，这在同一动物内已属困难、跨动物则不可能；先对齐再分解的做法则在估计成分之前就把记录间的对应关系固定下来。 在生成因子已知的模拟记录上，Neuralign的平均因子匹配分数从2个会话的0.730升到12个会话的0.860，24和36个会话时提升很小，并且在每个队列规模上都高于逐会话拟合的TCA以及联合拟合的SRM和Hyperalignment。
每个成分由一条跨会话共享的时间因子，加上各会话自己的试次因子和神经元因子组成，共享的时间曲线负责在不同记录之间建立同一身份。 神经元因子通过一个共享混合矩阵耦合：每个会话用一个正交投影把共享成分几何映射到本会话记录的神经元上，再由会话增益缩放该成分在本会话中的强度，耦合以软惩罚形式施加，允许保留会话特有的变化。 在猕猴运动皮层36个会话（3只猕猴，M1与PMd同时记录）上，无标签的6成分拟合中，对伸手方向最有信息量的两个成分把试次排成与八个目标环形布局一致的环；同一拟合的会话增益按动物分组。
在全脑小鼠数据上，一个无监督成分单独承载了ALM抑制的响应，并且这一响应在错误试次上仍可在主导选择方向之外被检出。 此前SRM和Hyperalignment给出公共空间，但不把每个共享模式显式拆成时间、试次和神经元三部分，也没有把抑制信号隔离到单个成分。 在19只小鼠的93段记录上，仅用成分C5的试次因子做线性判别，留出会话的抑制分类平衡准确率为0.647±0.019，随机水平1/3；同样协议下SRM和Hyperalignment分别为0.3542±0.0034和0.3336±0.0002。错误试次上，晚期抑制解码在九维选择残差子空间的ROC AUC为0.685±0.011，沿选择方向为0.548±0.005。
启示与展望
已展示的范围包括：生成因子已知的模拟记录、三个低秩循环网络、36个猕猴运动皮层会话，以及19只小鼠的93段全脑记录；解码器迁移是在联合拟合的队列内部评估的。作者指出，把新记录对齐到固定参考仍是重要的下一步测试，并直接关系到脑机接口的稳定化。
成分解释需要跨拟合的稳定性，而张量分解的条件唯一性结果并不保证整个耦合模型可辨识。无标签拟合中，一个成分的会话增益与试次因子符号可在单个记录内互换而不改变损失，因此跨记录的带符号比较依赖显式约定。解码器迁移未在跨动物上显著改善。方法假定共享时间轴和共享时间轮廓，试次因子只捕捉幅度变化，对潜伏期变异的稳健性尚待检验；模拟数据也是在这些假设下生成的。