[論文レビュー] Bayesian latent structure discovery from multi-neuron recordings

Scott W. Linderman, Ryan P. Adams+1 more|arXiv (Cornell University)|Oct 26, 2016

Protein Structure and Dynamics参考文献 16被引用数 33

ひとこと要約

本稿では、刺激情報が一切ないまま、マルチニューロンスパイクトレインデータから、細胞タイプや受容野位置といった隠れニューラル回路構造を推定するベイジアン階層モデルを提案する。一般化線形モデル（GLM）と構造的グラフ事前分布（例えば、スティルスティック・ブロック・モデルや潜在距離モデル）を組み合わせ、Pólya-gamma補完を用いて効率的なMCMC推論を実現することで、合成データおよびサルの網膜データにおける相関スパイク活動から生物学的に意味のある組織構造を正確に回復できる。

ABSTRACT

Neural circuits contain heterogeneous groups of neurons that differ in type, location, connectivity, and basic response properties. However, traditional methods for dimensionality reduction and clustering are ill-suited to recovering the structure underlying the organization of neural circuits. In particular, they do not take advantage of the rich temporal dependencies in multi-neuron recordings and fail to account for the noise in neural spike trains. Here we describe new tools for inferring latent structure from simultaneously recorded spike train data using a hierarchical extension of a multi-neuron point process model commonly known as the generalized linear model (GLM). Our approach combines the GLM with flexible graph-theoretic priors governing the relationship between latent features and neural connectivity patterns. Fully Bayesian inference via Pólya-gamma augmentation of the resulting model allows us to classify neurons and infer latent dimensions of circuit organization from correlated spike trains. We demonstrate the effectiveness of our method with applications to synthetic data and multi-neuron recordings in primate retina, revealing latent patterns of neural types and locations from spike trains alone.

研究の動機と目的

• 相関スパイクトレインから、解釈可能な機能的組織構造を解き明かす非教師あり手法の開発。
• 従来の次元削減やクラスタリング手法が、神経データにおける時間的依存性やノイズを適切に扱えないという限界の解消。
• 階層ベイジアンGLMフレームワークに、構造的ネットワーク事前分布（例：SBM、潜在距離モデル）を統合し、神経タイプと結合性の共同推論を実現。
• 外部刺激に依存せず、マルチニューロン記録から隠れ特徴を強固かつスケーラブルに推論可能にする。
• スパイクトレインの相関のみで、網膜のゴンギュウリオン細胞タイプや受容野位置といった生物学的に関連のあるパターンを明らかにできるかの検証。

提案手法

• スパイクトレイン生成のための一般化線形モデル（GLM）と、神経結合性に柔軟なグラフ理論的事前分布を組み合わせた階層ベイジアンモデルを用いる。
• ネットワーク構造と隠れ特徴の後方分布推論のため、効率的なコラプスドギブスサンプリングを可能にするPólya-gamma補完を採用。
• ベルヌーイ、二項、またはネガティブ・バイノミアル尤度関数にロジスティックリンク関数を適用し、分散の不足や過剰分散に対応。
• 離散的隠れタイプにはスティルスティック・ブロック・モデル（SBM）などの構造的事前分布を、連続的空間的組織には潜在距離モデルを適用。
• ネットワーク構造がインパルス応答を通じてニューロン間の自己回帰的ダイナミクスを媒介する、ネットワーク-GLM（NGLM）フレームワークを導入。
• 保持されたニューロンの予測対数尤度を用いてモデル比較を行い、隣接行列と重みモデルの最適な組み合わせを特定。

実験結果

リサーチクエスチョン

• RQ1 刺激情報がなくとも、スパイクトレインの相関活動から、細胞タイプや受容野位置といった隠れニューラル回路構造を同定できるか。
• RQ2 構造的ネットワーク事前分布（例：SBM、潜在距離モデル）は、スパイクトレインから生物学的に意味のある組織構造をどれほど正確に回復できるか。
• RQ3 提案されたベイジアンネットワーク-GLMフレームワークは、線形動的システム（LDS）などの標準モデルを上回り、空間的および機能的組織構造をどれほどよく再構築できるか。
• RQ4 推定された隠れ特徴は、合成データおよび実際の神経データにおいて、真の生物学的基準とどの程度相関しているか。
• RQ5 短時間記録から、機能的結合性パターンおよび細胞タイプの同定を強固に行えるか。

主な発見

• 網膜データにおいて、隣接性に潜在距離モデル、重みにスティルスティック・ブロック・モデル（SBM）を適用した組み合わせが、保持されたニューロンにおける予測対数尤度が最も高かった。
• ネットワークGLMから推定された細胞間距離は、真の受容野距離と強く相関していた（r ≈ 0.9）。一方、LDSに基づく位置推定ではその相関は認められなかった。
• 推定された細胞位置は、アフィン変換を除いて真の位置とほとんど同一であり、スパイク相関のみから空間的組織が正確に回復されたことを示した。
• 推定された重みの内挿的励起（クラス内）と異種間抑制（クラス間）のパターンから、網膜のゴンギュウリオン細胞の2つの異なるタイプ（オン型・オフ型）を正しく同定できた。
• 推定されたネットワーク構造は生物学的に妥当なパターンを示した：近接したニューロン間の結合確率が高く、隠れタイプに応じた明確な重みプロファイルが観察された。
• 特に距離関数としての結合確率のモデル化において、刺激に依存しない機能的組織構造を捉える点で、標準的な線形動的システム（LDS）を上回った。