[論文レビュー] Inferring Neuronal Network Connectivity from Spike Data: A Temporal Datamining Approach

Debprakash Patnaik, P. S. Sastry+1 more|ArXiv.org|Mar 4, 2008

Neural dynamics and brain function参考文献 38被引用数 22

ひとこと要約

本稿では、多ニューロンスパイクトレインデータからニューロンネットワークの結合性を推定するため、頻度の高いエピソード抽出を用いた時系列データマイニング手法を提案する。スパイクイベントを記号的系列としてモデル化し、神経生理学的に妥当な制約のもとで繰り返し現れる時系列パターンを同定することで、神経伝達遅延などの生物学的制約を反映した、特にシナプス伝達の連鎖（シンファイア・チェーン）を含む興奮性結合構造を効果的に同定でき、異なるスパイクモデルや高い計算効率においても頑健であることが示された。

ABSTRACT

Understanding the functioning of a neural system in terms of its underlying circuitry is an important problem in neuroscience. Recent developments in electrophysiology and imaging allow one to simultaneously record activities of hundreds of neurons. Inferring the underlying neuronal connectivity patterns from such multi-neuronal spike train data streams is a challenging statistical and computational problem. This task involves finding significant temporal patterns from vast amounts of symbolic time series data. In this paper we show that the frequent episode mining methods from the field of temporal data mining can be very useful in this context. In the frequent episode discovery framework, the data is viewed as a sequence of events, each of which is characterized by an event type and its time of occurrence and episodes are certain types of temporal patterns in such data. Here we show that, using the set of discovered frequent episodes from multi-neuronal data, one can infer different types of connectivity patterns in the neural system that generated it. For this purpose, we introduce the notion of mining for frequent episodes under certain temporal constraints; the structure of these temporal constraints is motivated by the application. We present algorithms for discovering serial and parallel episodes under these temporal constraints. Through extensive simulation studies we demonstrate that these methods are useful for unearthing patterns of neuronal network connectivity.

研究の動機と目的

• 高スループットな多ニューロンスパイクトレインデータから機能的神経結合性を推定する課題に対処すること。
• 時系列データマイニングの手法が、神経回路における生物学的に意味のある結合パターンを効果的に同定できるかどうかを検討すること。
• 基礎となるニューロンダイナミクスやシナプスモデルに関する仮定を必要としないモデルに依存しない手法を開発すること。
• 時系列制約を用いた頻度の高いエピソードマイニングが、神経系における逐次的および並列的結合モチーフを検出するのに有効であることを示すこと。
• ノードレベルの活動データからマイクロサーキット構造を同定するという神経情報学の問題にデータマイニング手法を応用する基盤を築くこと。

提案手法

• 各イベントを特定の時刻に発火するニューロンとして、スパイクトレインデータを記号的イベント系列としてモデル化する。
• スパイク系列内の繰り返し現れる時系列パターン（エピソード）を発見するために、頻度の高いエピソードマイニングフレームワークを適用する。
• 神経生理学的遅延（例：シナプス伝達遅延）を根拠として、イベント間隔の上限・下限を含む時系列制約を導入し、生物学的に妥当なパターンに焦点を当てる。
• これらの制約のもとで、逐次エピソード（例：A→Bで5msの遅延）および並列エピソード（例：A→BとA→Cが近接して発生）を発見するための特別なアルゴリズムを開発する。
• 独立したポisson過程を越える、より一般的な帰無仮説のもとで、頻度の高いエピソードが偶然に生じる確率を統計的有意性検定で評価する。
• 異なる入力-応答ダイナミクスを示す2種類のニューロンモデルから生成されたシミュレーテッドスパイクデータを用いて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 時系列制約を伴う頻度の高いエピソードマイニングは、スパイクトレインデータから神経ネットワークにおける興奮性結合パターンを効果的に検出できるか？
• RQ2 神経伝達ダイナミクス（例：発火率応答モデル）が変化しても、この手法は結合構造を同定するのにどれほど頑健か？
• RQ3 頻度の高いエピソードのみで、直接的・間接的経路を区別する含めた完全なシナプス結合グラフを再構成できるか？
• RQ4 ネットワーク構造に関する事前知識なしに、スパイクデータから既知のネットワークモチーフ（例：シンファイア・チェーン）を同定できるか？
• RQ5 弱いニューロン相互作用を許容する帰無仮説のもとで、検出されたエピソードの有意性を評価するための統計的枠組みは何か？

主な発見

• 本手法は、入力-応答ダイナミクスが異なるモデルであっても、シンファイア・チェーンなどの既知の結合パターンに対応する逐次的および並列的エピソードを効果的に同定できた。
• 頻度の高いエピソード抽出アプローチは、異なるシミュレーテッド発火率更新メカニズムにおいても、一貫した結合パターンの同定を示しており、ニューロン応答モデルの変化に対して頑健であることが裏付けられた。
• コルチカルコルチャーや他の神経系のシミュレーションデータにおいて、生物学的に妥当な結合モチーフ（例：A→Bで5ms遅延、A→Cで10ms遅延）を同定できた。
• 複数の経路（例：直接的A→B→Cと間接的A→B→C）が存在する場合、同じ頻度の高いエピソードが検出されても、正確なネットワークトポロジーを完全に解明できないことが判明し、追加の構造的推論手法の必要性が示された。
• アルゴリズムは計算的に効率的で、モデルに依存しないため、大規模なスパイクトレイン解析に適している。
• 本研究は、神経情報学分野における時系列データマイニングの可能性を示し、動的システムにおける隠れた因果関係の系列を同定する分野への広範な応用可能性を示唆している。