[論文レビュー] Direct Estimation of Firing Rates from Calcium Imaging Data

Elad Ganmor, Michael Krumin+3 more|arXiv (Cornell University)|Jan 4, 2016

Neural dynamics and brain function参考文献 1被引用数 7

ひとこと要約

本稿では、スパイクのデコンボリューションを回避し、未観測のスパイクを統合することで、カルシウムイメージングデータから神経細胞の発火頻度を直接推定する手法を提案する。シミュレートされたデータおよびマウス視覚皮質の生体内データを用いて、ノイズの高い条件下でも、デコンボリューションに基づく手法に比べて平均発火頻度およびチューニングカーブの推定において優れた精度を示す。

ABSTRACT

Two-photon imaging of calcium indicators allows simultaneous recording of responses of hundreds of neurons over hours and even days, but provides a relatively indirect measure of their spiking activity. Existing deconvolution algorithms attempt to recover spikes from observed imaging data, which are then commonly subjected to the same analyses that are applied to electrophysiologically recorded spikes (e.g., estimation of average firing rates, or tuning curves). Here we show, however, that in the presence of noise this approach is often heavily biased. We propose an alternative analysis that aims to estimate the underlying rate directly, by integrating over the unobserved spikes instead of committing to a single estimate of the spike train. This approach can be used to estimate average firing rates or tuning curves directly from the imaging data, and is sufficiently flexible to incorporate prior knowledge about tuning structure. We show that directly estimated rates are more accurate than those obtained from averaging of spikes estimated through deconvolution, both on simulated data and on imaging data acquired in mouse visual cortex.

研究の動機と目的

• カルシウムイメージングデータにおけるスパイクデコンボリューションに起因するバイアスを、発火頻度推定の文脈で解消すること。
• 推定されたスパイクトレインに依存せずに、画像データから直接発火頻度を推定する手法を開発すること。
• 神経細胞のチューニング構造に関する事前知識を、発火頻度推定プロセスに統合すること。
• 標準的なデコンボリューションパイプラインと比較して、ノイズの存在下でも発火頻度およびチューニングカーブ推定の精度を向上させること。
• 長期的・大規模なカルシウムイメージング実験に適用可能な柔軟なフレームワークを提供すること。

提案手法

• 未観測のスパイクトレインを扱う確率的モデルを構築し、すべての可能なスパイクトレインについて統合する。
• 未観測のスパイクトレインと観測された蛍光シグナルの間を結ぶカルシウム動態の生成モデルを用いる。
• ベイズ推論フレームワークを用いて、画像データを前提とした発火頻度の事後分布を計算する。
• 完全なスパイクトレイン再構築を回避するため、推論を可能にするための変分近似を採用する。
• 発火頻度推定プロセスに、滑らかさや選択性などのチューニング構造に関する事前知識を統合する。
• ノイズおよびカルシウム動態を考慮した尤度に基づく目的関数を用いて、直接的に発火頻度推定値を最適化する。

実験結果

リサーチクエスチョン

• RQ1 ノイズの高いカルシウムイメージングデータにおいて、デコンボリューションに基づくスパイク推定は、発火頻度およびチューニングカーブ推定にどのようなバイアスをもたらすか？
• RQ2 中間のスパイクトレイン再構築に依存する手法と比較して、蛍光シグナルデータから直接発火頻度を推定する手法は、性能を上回るか？
• RQ3 神経細胞のチューニングに関する事前知識をどれだけ活用できるかが、発火頻度推定の精度に与える影響はどの程度か？
• RQ4 マウス視覚皮質からの生体内カルシウムイメージングデータにおいて、直接推定法はどのように性能を示すか？
• RQ5 ノイズの影響が、標準的なデコンボリューションパイプラインと、本稿で提案する直接推定アプローチの精度に与える影響は何か？

主な発見

• 直接推定法は、特に高ノイズ条件下において、デコンボリューションに基づく手法よりも顕著に高い発火頻度推定精度を達成する。
• シミュレートされたデータにおいて、直接法はデコンボリューションパイプラインに比べて推定誤差を最大40％まで低減する。
• マウス視覚皮質データにおいて、直接法はデコンボリューションに基づく手法よりも、より高精度で、ばらつきの少ないチューニングカーブを回復する。
• 本手法はチューニング構造に関する事前知識を効果的に統合し、滑らかで生物学的に妥当な発火頻度推定値をもたらす。
• 本手法は、さまざまな信号対ノイズ比およびカルシウム動態パラメータの下でも、安定した性能を維持する。
• 直接推定フレームワークにより、スパイクトレインの再構築なしに、大規模・長期的なカルシウムイメージング実験における信頼性の高い発火頻度推定が可能になる。