[論文レビュー] Automatic discovery of cell types and microcircuitry from neural connectomics

Eric Jonas, Konrad P. Körding|arXiv (Cornell University)|Jul 15, 2014

Cell Image Analysis Techniques参考文献 19被引用数 5

ひとこと要約

本論文では、接続性、セルラム深さ、シナプス分布を統合することで、神経接続ゲノムデータからニューロン型およびマイクロサーキットを自動で発見する非パラメトリックベイジアンモデルを提案する。この手法は、接続予測および既知の網膜ニューロン型の同定において、単純なアルゴリズムを上回り、C. elegansにおける新しい構造的パターンおよびマイクロプロセッサ回路を明らかにする。

ABSTRACT

Neural connectomics has begun producing massive amounts of data, necessitating new analysis methods to discover the biological and computational structure. It has long been assumed that discovering neuron types and their relation to microcircuitry is crucial to understanding neural function. Here we developed a nonparametric Bayesian technique that identifies neuron types and microcircuitry patterns in connectomics data. It combines the information traditionally used by biologists, including connectivity, cell body location and the spatial distribution of synapses, in a principled and probabilistically-coherent manner. We show that the approach recovers known neuron types in the retina and enables predictions of connectivity, better than simpler algorithms. It also can reveal interesting structure in the nervous system of C. elegans, and automatically discovers the structure of a microprocessor. Our approach extracts structural meaning from connectomics, enabling new approaches of automatically deriving anatomical insights from these emerging datasets.

研究の動機と目的

• 高スループットの接続ゲノムデータからニューロン型およびマイクロサーキットを自動で、スケーラブルに同定するための手法を開発すること。
• 接続性、セルラム深さ、シナプス分布といった複数の神経解剖学的特徴を統合した、統一された確率的フレームワークを構築すること。
• 空間的依存性と確率的整合性を組み込むことで、既存の手法を改善すること。
• 人間の神経解剖学者の分類と整合する、バイアスのないデータ駆動型の細胞型同定を可能にすること。
• 異なる動物間の細胞型の一致を可能にすることで、比較神経解剖学および機能的プロファイリングを支援すること。

提案手法

• モデルは、未観測の細胞型を表す潜在変数を用いた非パラメトリックベイジアンアプローチを採用し、各細胞は単一の型に割り当てられる。
• 接続確率は、細胞型ペア（ηmn）と全般的なハイパーパrameter（θ）でパrameter化された距離依存関数としてモデル化される。
• セルラム深さは、型別に異なる平均と分散を持つガウス分布としてモデル化され、シナプス密度プロファイルは、各細胞型ごとに最大3つのモードを持つようにモデル化される。
• 構造的割り当て、各型のパrameter、全般的なハイパーパrameterの各ステップに対して、合成可能なマルコフ連鎖モンテカルロ遷移核を用いて推論が行われる。
• 細胞型割り当て（c）、パrameter（η）、ハイパーパrameter（θ）のMAP推定を用いて、同時事後分布を最大化する。型割り当ておよびパrameterに事前分布を設定する。
• モデルは複数の接続行列へ拡張可能であり、バックグラウンド接続率を用いた誤差モデルも統合可能である。

実験結果

リサーチクエスチョン

• RQ1 接続性、空間的位置、シナプス分布を統合することで、確率的モデルが接続ゲノムデータからニューロン型を自動で発見できるか？
• RQ2 神経解剖学者による手動分類と比較して、このモデルは既知の網膜ニューロン型をどれほど正確に回復できるか？
• RQ3 このモデルは、C. elegans のようなあまり研究が進んでいない神経系において、以前に未知であった構造的パターンを明らかにできるか？
• RQ4 空間的および形態的特徴を組み込むことで、単純なモデルと比較して接続予測の精度が向上するか？
• RQ5 このモデルは、人工的なシステム（例：マイクロプロセッサ）を含む、さまざまな神経系において一貫したマイクロサーキット構造を同定できるか？

主な発見

• モデルは、人間の神経解剖学者の分類と高い一致度で既知の網膜ニューロン型を回復した。
• 空間的および形態的特徴を活用することで、単純なアルゴリズムよりも優れた接続予測性能を達成した。
• C. elegans の接続ゲノムにおいて、以前に未知であった構造的組織化を明らかにし、機能的マイクロサーキットの可能性を示唆した。
• 古典的なマイクロプロセッサの元となる構造を自動で発見し、生物学的システムにとどまらない汎用性を示した。
• 空間的およびシナプス分布の特徴を組み込むことで、モデルの精度と生物学的妥当性が顕著に向上した。
• この手法により、異なる動物間の細胞型の一致が可能となり、比較的定量的神経解剖学を支援する。