[論文レビュー] Building population models for large-scale neural recordings: opportunities and pitfalls

Cole Hurwitz, Nina Kudryashova+2 more|arXiv (Cornell University)|Feb 2, 2021

Neural dynamics and brain function参考文献 109被引用数 34

ひとこと要約

完全に観測されたモデルと潜在変数モデルを大規模神経記録に対して比較する総説。方法、限界、およびどのアプローチが最も情報量豊富であるかを詳述する。

ABSTRACT

Modern recording technologies now enable simultaneous recording from large numbers of neurons. This has driven the development of new statistical models for analyzing and interpreting neural population activity. Here we provide a broad overview of recent developments in this area. We compare and contrast different approaches, highlight strengths and limitations, and discuss biological and mechanistic insights that these methods provide.

研究の動機と目的

• 高チャネル数記録から集団神経活動のモデルベース解析の必要性を動機づける。
• 完全観測と潜在変数モデリングのフレームワークを調査し、それらの仮定、長所、限界を理解する。
• 大規模データセットでのデータ抽出、スパイクソーティング、モデル適合に関する実用的考慮事項を強調する。
• これらのモデルが生物学的洞察を生み出し、デコーディングと情報理論分析を指針する方法を論じる。

提案手法

• SpikeInterfaceとグラウンドトゥルースベンチマークを用いたスパイク抽出とソーティングの考慮事項のレビュー。
• 完全観測モデル（MaxEnt、Dichotomized Gaussian、GLMs、copulaベースモデル）とそのスケーラビリティ、解釈性、適用性の比較。
• LFADS、GPFA、GPFADSなどを含む潜在変数モデル（状態空間モデルおよびGPベース）に関する議論。動力学、写像、観測モデルを強調。
• 外部共変量と行動を組み込むことで解釈性を向上させ、潜在ダイナミクスを制約する方法の概説。
• パラメータ同定性、不確実性の定量化、モデル選択に関する指針。
• 大規模神経集団モデリングの実践的な長所、限界、将来の方向性の要約。

Figure 1: The process of extracting the activity of single neurons with a spike sorter is error-prone with different sorters having different failure modes. It is, therefore, recommended to make use of different sorters before performing model-based analysis. A first method is to perform the same an

実験結果

リサーチクエスチョン

• RQ1 完全に観測された集団モデルと潜在変数集団モデルの大規模神経記録におけるトレードオフは何か。
• RQ2 異なるモデルは高次元の結合活性をどのように扱い、生物学的・機械的洞察をどのように提供できるか。
• RQ3 パラメータ同定性、データ要件、計算上の現実性に関する制限は何か。
• RQ4 外部共変量や行動に関係する潜在軌跡が解釈性とデコーディング性能を向上させる場面はどこか。
• RQ5 スパイクソーティングの不確実性とデータセットサイズを考慮した上で、発見を堅牢に検証するにはどうすれば良いか。

主な発見

• 完全観測モデルは結合分布全体へアクセスでき、デコーディングと情報量の測度を改善できる一方で、大規模集団ではパラメータ同定性と計算スケーラビリティの課題を抱えがちである。
• 潜在変数モデルは集団ダイナミクスの低次元表現を提供し、時間的構造と不確実性の定量化を可能にするが、低次元性に関する仮定に依存し、複数の変動源を混合する可能性がある。
• GLMとコプラベースのアプローチは大規模データセットへ拡張可能で外部入力や非線形依存性をモデル化できる一方、MaxEnt系は原理的な最大エントロピー記述を提供するが計算負荷が高くなりがち。
• 非線形状態空間モデルとRNNベースのアプローチ（例：LFADS）は複雑なダイナミクスを捉えられるが、計算コストが高く解釈が難しいことが多い。
• GPベースの潜在モデル（例：GPFA、GPFADS）は不確実性推定と原理的なモデル選択を提供するが、線形埋め込みを超える実際のニューロンダイナミクスを捉える能力を示さなければならない。
• 実践的には複数のスパイクソーターを用いるか合意ソートを行うことで下流のモデリングにおける偽陽性とバイアスを低減できる；外部変数をモデル化することで解釈性を向上させ、頑健な神経軌道を明らかにできる。

Figure 2: Fully observed models construct a joint distribution of population activity with various levels of detail. The horizontal arrow orders the methods according to their expressivity (i.e. how much dependence structure the method can account for).