Improv: платформа для адаптивных нейроэкспериментов в реальном времени #tools Публикация: Draelos, A., Loring, M. D., Nikitchenko, M., Sriworarat, C., Gupta, P., Sprague, D. Y., ... & Naumann, E. A. (2025). improv: A software platform for real-time and adaptive neuroscience experiments. Nature Communications, 2025-11. В Nature Communications представлена новая программная платформа improv, предназначенная для проведения адаптивных нейроэкспериментов, в которых моделирование, сбор данных и управление стимуляцией объединены в единый цикл. Традиционные эксперименты в нейронауке опираются на заранее определённые гипотезы и анализ данных post hoc, что исключает возможность корректировать ход исследования на основе промежуточных результатов. improv решает эту проблему, обеспечивая интеграцию моделирования и эксперимента в реальном времени. Внутри improv всё выстроено из небольших блоков, которые работают параллельно: один записывает активность нейронов, другой анализирует сигналы, третий подбирает стимулы или запускает фотостимуляцию. Всё это происходит синхронно, без задержек: эксперимент буквально “думает на ходу”. В статье представлены примеры применения библиотеки: 📎 В экспериментах с двухфотонной визуализацией у рыб алгоритм подбирал зрительные стимулы, то есть решал, что показать дальше, чтобы максимально “возбудить” нейроны. Сначала система измеряла, как клетка реагирует на несколько направлений движения, затем с помощью байесовской оптимизации выбирала следующий вариант, постепенно уточняя свою гипотезу. Уже после ~15 попыток модель находила то направление, на которое нейрон реагирует сильнее всего. 📎 В экспериментах на приматах система училась предсказывать активность нейронных популяций в моторной коре. Она непрерывно сжимала поток сигналов до нескольких ключевых координат и строила вероятностную модель, способную прогнозировать, как будет меняться общая динамика мозга в ближайшую секунду. Такие методы могут стать основой для нейроинтерфейсов с обратной связью. 📎 В оптогенетических экспериментах improv сам выбирал, какие нейроны стимулировать, исходя из того, как они реагировали на разные стимулы. Вместо того чтобы заранее задавать координаты, система ориентировалась на функциональные свойства клеток: например, на их избирательность к направлению движения. В результате активировались группы нейронов с похожими реакциями, что позволило напрямую проверять, как изменение активности одной части нейрональной сети влияет на другую. Ссылка на Github-репозиторий: https://github.com/project-improv/improv