[論文レビュー] Inferring and Learning from Neuronal Correspondences

Ashish Kapoor, E. Paxon Frady+3 more|arXiv (Cornell University)|Jan 23, 2015

Cell Image Analysis Techniques参考文献 39被引用数 3

ひとこと要約

本論文は、複数匹のヒルの神経系間における神経細胞の対応関係を推定する機械学習フレームワークを提案しており、異なる個体からの神経データを統合的に分析することを可能にする。メトリック学習、確率的PCA、グラフマッチングを組み合わせることで、細胞数や性質のばらつきがあっても個体間の神経細胞を整列させることができ、プールされたデータからの行動状態予測の精度が著しく向上する。

ABSTRACT

We introduce and study methods for inferring and learning from correspondences among neurons. The approach enables alignment of data from distinct multiunit studies of nervous systems. We show that the methods for inferring correspondences combine data effectively from cross-animal studies to make joint inferences about behavioral decision making that are not possible with the data from a single animal. We focus on data collection, machine learning, and prediction in the representative and long-studied invertebrate nervous system of the European medicinal leech. Acknowledging the computational intractability of the general problem of identifying correspondences among neurons, we introduce efficient computational procedures for matching neurons across animals. The methods include techniques that adjust for missing cells or additional cells in the different data sets that may reflect biological or experimental variation. The methods highlight the value harnessing inference and learning in new kinds of computational microscopes for multiunit neurobiological studies.

研究の動機と目的

• 神経細胞数や性質の生物学的・実験的ばらつきがあるにもかかわらず、複数匹の個体間での神経細胞のマッチングを解決する挑戦に取り組む。
• 複数匹のヒルの準備物から得たデータを統合することで、神経回路および行動に関する統合的推論を可能にする。
• 2体以上の個体間で対応関係を推定するスケーラブルで計算的に効率的な手法を開発し、NP困難な複雑性を克服する。
• 複数匹の個体からの整列済みデータを活用することで、行動状態の識別（例：泳ぎ vs. 線維移動）の正確性と迅速性を向上させる。
• 他の無脊椎動物および脊椎動物の神経系に対しても一般化可能なフレームワークを提供し、データ統合と分析に応用可能にする。

提案手法

• 物理的および機能的神経細胞特徴に基づく学習済み適合性関数を用いて、神経細胞の対応関係を二部グラフマッチング問題として定式化する。
• ユーザーが提供するマッチ/非マッチペアを教師として用い、メトリック学習によりマハラノビス距離風のメトリックを学習し、個体間の神経細胞ペアの類似度を定義する。
• 制約付き最適化問題（式3）を反復的に解くことで、総適合度を最大化すると同時に1対1のマッチングを保証する対応マップを回復する。
• 整列済み神経細胞から構築した並べ替えられたデータ行列 Y に対して確率的PCA（pPCA）を適用し、欠損または観測されていない神経活動を推定する。
• 6匹のヒルの準備物からのデータを統合し、各動物のガングリオンデータを時系列の電圧感受性染料信号の集合として表現する。
• プールされ整列済みのデータに対して非線形次元削減としてISOMAPを適用し、個体間で一貫した行動状態の可視化と比較を可能にする。

実験結果

リサーチクエスチョン

• RQ1 神経細胞数のばらつきや実験的アーチファクトがあるにもかかわらず、複数匹のヒルの準備物間で神経細胞の対応関係を信頼性を持って推定できるか？
• RQ2 推定された対応関係を用いて複数匹の個体からの神経データをプールすることで、単一個体の解析に比べて行動状態予測の正確性と速度が向上するか？
• RQ3 学習された適合性メトリックは、異なる個体間の神経細胞の機能的および構造的対応関係を効果的に特定できるか？
• RQ4 整列済みデータに確率的PCAを適用することで、欠損または観測されていない神経活動の回復がどの程度向上するか？
• RQ5 学習済みの神経細胞対応モデルを用いて、進行中の実験をリアルタイムで支援する仕組みに拡張可能か？

主な発見

• メトリック学習とグラフマッチングを組み合わせることで、欠損または余分な細胞がある状況下でも、6匹のヒルの準備物間で1対1の対応関係を的確に推定できた。
• 整列済み神経細胞からのプールデータにより、単一個体のデータでは不可能だった、泳ぎと線維移動の行動状態の早期かつ顕著な識別が可能になった。
• 整列済みデータに対するISOMAPを用いた非線形射影では、全個体で一貫した軌道が得られたが、個体ごとの射影では一貫性がなかった。
• 整列済みデータ行列 Y に確率的PCAを適用することで、欠損神経活動の効果的な推定が可能となり、データの完全性が向上した。
• 対応関係推定を介した複数個体の統合的解析により、神経回路機能に関するより強固で一般化可能な知見が得られた。
• 本アプローチにより、個体間の準備物のばらつきを克服し、一貫した行動ダイナミクスの可視化と分析が可能になった。