広視野カルシウムイメージングは、複数の被験者から全脳皮質のダイナミクスを大規模に記録することを可能にし、神経科学研究に革新的な機会を提供しています。しかし、これらのデータは高次元で複雑な時空間構造を持ち、タスクに関係のない活動が多く含まれるため、これまでのモデリングは主に単一セッションの分析に限定され、スケーラビリティと汎化性に課題がありました。他の神経モダリティ（例：電気生理学やfMRI）ではマルチ被験者事前学習モデルが研究されてきましたが、広視野カルシウムイメージング向けのマルチ被験者モデルはまだ実証されておらず、さらに、被験者不変のゼロショット行動デコードは広範な神経モダリティにおいて未達成のままでした。
このたび、ICML 2026で発表されたWiCATは、広視野データの基盤モデル構築に向けた最初のステップです。WiCATは自己教師あり事前学習を活用し、アトラスに基づくトークン化スキームを導入することで、セッション固有のコンポーネントを排除し、グローバルに共有される時空間表現を学習します。これにより、単一セッションモデルを上回る性能を発揮するとともに、未観測の被験者に対するゼロショット行動デコードを初めて実現しました。
複数の広視野データセットを用いた実験では、事前学習モデルが軽量な下流デコードをサポートし、被験者、タスク、データセット間での転移が可能であることが示されました。特に注目すべき点として、WiCATは未観測の被験者に対してロバストなゼロショット連続行動デコードと、除外した脳領域の活動再構成を達成し、強力な汎化能力を示しました。
この研究は、広視野カルシウムイメージングデータの大規模解析の基盤を築き、脳皮質ダイナミクスの理解を促進するものです。関連コードはオープンソースとして公開されており、コミュニティによるさらなる探求と応用が期待されます。