[論文レビュー] Discovering Patterns in Multi-neuronal Spike Trains using the Frequent Episode Method

Unnikrishnan Kuzhiumparambil, Debprakash Patnaik+1 more|ArXiv.org|Sep 5, 2007

Neural Networks and Applications被引用数 8

ひとこと要約

本稿では、時間的制約のもとで統計的に有意な繰り返しパターンを検出する頻出エピソード発見を用いて、複数ニューロンのスパイクトレインにおいて同期、シンファイアチェーン、その他の協調的発火パターンを自動で同定する時間的データマイニングフレームワークを提案する。スパイク系列を時系列に整列したイベントとしてモデル化し、有限状態オートマトンを用いて時間的制約下での再発パターンを検出することで、神経回路の機能的結合性を効率的に解明する。この手法は、シミュレーテッドおよび実際のマルチエレクトロードアレイデータを用いて検証され、高い感度と数百ニューロンへのスケーラビリティを示した。

ABSTRACT

Discovering the 'Neural Code' from multi-neuronal spike trains is an important task in neuroscience. For such an analysis, it is important to unearth interesting regularities in the spiking patterns. In this report, we present an efficient method for automatically discovering synchrony, synfire chains, and more general sequences of neuronal firings. We use the Frequent Episode Discovery framework of Laxman, Sastry, and Unnikrishnan (2005), in which the episodes are represented and recognized using finite-state automata. Many aspects of functional connectivity between neuronal populations can be inferred from the episodes. We demonstrate these using simulated multi-neuronal data from a Poisson model. We also present a method to assess the statistical significance of the discovered episodes. Since the Temporal Data Mining (TDM) methods used in this report can analyze data from hundreds and potentially thousands of neurons, we argue that this framework is appropriate for discovering the `Neural Code'.

研究の動機と目的

• 高スルーレート記録技術から得られる複数ニューロンのスパイクトレインにおける、複雑な協調的発火パターンを同定する課題に取り組むこと。
• 次元の呪いのため、3〜4ニューロンを超えるとスケーリングできない伝統的な相関ベースの手法の限界を克服すること。
• 同期、順序付けられた発火順序、シンファイアチェーンといった多様な時間的パターンを、大規模なニューロン集団において検出可能な汎用的でスケーラブルな手法を開発すること。
• 独立したポisson分布を仮定する帰無仮説を越えて、検出されたパターンの有意性を統計的に厳密に評価するフレームワークを提供すること。
• 本手法の有効性を、既知の真値を持つ合成データおよびマルチエレクトロードアレイおよびカルシウムイメージングからの実験データの両方で示すこと。

提案手法

• 各スパイクが特定のニューロンの発火時刻を示すイベントの時系列列として、複数ニューロンのスパイクトレインを表現する。
• ユーザーが定義した時間的制約のもとで、再発する時間的パターン（エピソード）をモデル化・検出するために、有限状態オートマトンを用いた頻出エピソード発見フレームワークを適用する。
• 全可能なパターンを全通り列挙するのを避けるために、Aprioriに類似したアルゴリズム的原則を用いて、頻出エピソードを効率的に探索する。
• 独立して相互作用しないニューロンを仮定する帰無仮説の下で、観測されたエピソードがランダムに発生する頻度よりも著しく高いかどうかを評価するため、ジャッターベースの統計的有意性検定を実装する。
• 各ニューロンを入力依存の発火率と自己避妊性を有する非定常ポアソン過程としてモデル化した現実的なニューロンシミュレータを用い、埋め込まれたパターンを有する合成データを生成する。
• オリジナルデータとジャッター処理（時間シフト）されたバージョンの間でエピソード頻度を比較することで、パターン検出を検証し、真のパターンがランダム化されたデータよりも著しく頻度が高いことを確認する。

実験結果

リサーチクエスチョン

• RQ1 頻出エピソード発見は、同期やシンファイアチェーンといった複雑な協調的発火パターンを、複数ニューロンのスパイクトレインにおいて効果的に検出できるか？
• RQ2 従来の相関ベース手法が直面する組み合わせ的爆発に起因する制約を考慮すると、本手法は5ニューロン以上のパターン検出においてどの程度の性能を示すか？
• RQ3 統計的有意性検定を用いることで、生物学的に意味のある発火パターンをランダムなバックグラウンド発火活動と信頼性高く区別できるか？
• RQ4 異なる神経系および実験条件下でも本手法が一貫してパターンを同定できることを示す証拠として、多様なデータセットにおいて一貫したパターン発見がなされたか？
• RQ5 検出されたエピソードは、神経ネットワークにおける機能的結合性およびマイクロサーキット構造をどの程度反映しているか？

主な発見

• 頻出エピソード発見手法は、現実的なニューロンシミュレータで生成された合成スパイクトレインデータに埋め込まれた既知のパターン（同期、シンファイアチェーンなど）を効果的に検出できた。
• 本手法は、数百ニューロンにまでスケーリング可能であり、大規模な神経記録においても計算上の実行可能性を示した。
• ジャッター法による統計的有意性検定により、真のパターンがランダム化されたデータよりも頻度が桁違いに高いことが確認され、それらが非ランダムであることが裏付けられた。
• マルチエレクトロードアレイおよびカルシウムイメージングからの実データにおいて、神経系ごとに異なる明確で再現性のある頻出エピソードのセットが同定され、それらが固有のマイクロサーキット特性を反映している可能性を示唆した。
• 従来の相互相関法よりも本手法の検出パターンは情報量が多く、相関法では捉えきれない複雑な複数ニューロンの時間的順序を捉えられていた。
• 本フレームワークにより、順序付けられた発火順序や同期発火といったパターンがランダムではなく、神経ネットワークにおける顕著な機能的組織を示していることが明らかになった。