[論文レビュー] A Joint Graph Inference Case Study: the C.elegans Chemical and Electrical Connectomes

Li Chen, Joshua T Vogelstein+2 more|arXiv (Cornell University)|Jul 30, 2015

Genetics, Aging, and Longevity in Model Organisms参考文献 19被引用数 5

ひとこと要約

本論文は、種子付きグラフマッチングと共同頂点分類を用いて、*C. elegans* の化学的および電気的シナプス接続マップを統合する共同グラフ推論フレームワークを提案する。両接続マップを同時に分析することで、単独で使用する場合と比較して、顕著に向上したニューロン型分類精度を達成し、共同推論がシナプスタイプにわたって保存された生物学的に意味のある構造的関係を明らかにすることを示している。

ABSTRACT

We investigate joint graph inference for the chemical and electrical connectomes of the extit{Caenorhabditis elegans} roundworm. The extit{C.elegans} connectomes consist of $253$ non-isolated neurons with known functional attributes, and there are two types of synaptic connectomes, resulting in a pair of graphs. We formulate our joint graph inference from the perspectives of seeded graph matching and joint vertex classification. Our results suggest that connectomic inference should proceed in the joint space of the two connectomes, which has significant neuroscientific implications.

研究の動機と目的

• 本研究は、*C. elegans* のペアド・ニューラル接続マップ（化学的および電気的シナプス）の間で統合推論を行う統計的フレームワークの構築を目的とする。
• 両接続マップを統合することで、単一接続マップ解析と比較して、ニューロン型分類の精度が向上するかどうかを調査することを目的とする。
• 神経回路における共存する化学的および電気的シナプスの機能的意義を理解するための、手法的および定量的基盤を提供することを目的とする。
• 両接続マップ間の構造的類似性が統計的に有意であり、推論に有用であることを示すこと

提案手法

• 種子付きグラフマッチングを用いて、化学的および電気的接続マップ間の頂点を整合化する共同グラフ推論を定式化する。
• スペクトル的手法を用いて両接続マップを共有の低次元空間に埋め込むことで、共同頂点分類を実装する。
• 分類にラジアル基底関数カーネルを用いたサポートベクターマシンを採用し、交差検証（1つを除いた交差検証）により妥当性を検証する。
• 隣接行列を用いて両接続マップを表現する：$A_c$ は有向かつ重み付きの化学的シナプス、$A_g$ は無向かつ重み付きの電気的ギャップジャンクション。
• 埋め込み次元 $d \in \{2, 5, 8, \dots, 119\}$ を変化させた際の分類性能を評価するための非類似性測度を用いる。
• 統合分類性能を単一接続マップ分類と比較することで、統合による性能向上を定量的に評価する。

実験結果

リサーチクエスチョン

• RQ1 化学的および電気的接続マップの共同推論は、単一接続マップ解析と比較して、ニューロン型分類精度を向上させるか？
• RQ2 *C. elegans* の化学的および電気的接続マップ間に、統計的に有意な構造的類似性が保持されているか？
• RQ3 種子付きグラフマッチングは、両接続マップ間でニューロンを効果的に整合化でき、共通のネットワーク構造を明らかにできるか？
• RQ4 両接続マップの共同空間は、ニューロン機能的属性を予測するためのより情報豊かな表現を提供するか？
• RQ5 シナプスタイプの統合が、神経ネットワークにおける頂点分類性能に及ぼす定量的影響は何か？

主な発見

• 共同頂点分類は、$d \in \{2, 5, 8, \dots, 119\}$ のすべての埋め込み次元において、化学的および電気的接続マップの両方で、単一分類を常に上回る性能を示した。
• 化学的接続マップにおいて、共同分類は、全テスト埋め込み次元で単一分類よりも誤分類誤差が低かった。
• 電気的接続マップにおいて、共同分類は特に高次元で優れた性能を示し、一貫して低い誤差率を記録した。
• *C. elegans* 接続マップにおける情報処理特性の最適な推論は、両接続マップの共同空間で行われるべきであり、個別に分離して行うべきではない。
• 化学的および電気的接続マップの統合により、単独で使用する場合と比較して、より正確なニューロン型予測が得られ、相乗的な情報の獲得が示された。
• 種子付きグラフマッチングにより、両接続マップ間に統計的に有意な構造的対応関係が明らかになり、その共存が生物学的に意味を持つことを裏付けた。