[論文レビュー] LeMoNADe: Learned Motif and Neuronal Assembly Detection in calcium imaging videos

Elke Kirschbaum, Manuel Haußmann+7 more|arXiv (Cornell University)|Jun 26, 2018

Neural dynamics and brain function参考文献 60被引用数 6

ひとこと要約

LeMoNADe は、スパイク抽出や細胞セグメンテーションを必要とせず、カルシウムイメージング動画から神経細胞の発火モチーフやアセンブリを直接検出するディープラーニングフレームワークである。変分オートエンコーダーにベルヌーイ分布の潜在変数と、Gumbel-softmax 再パrameterization を用いることで、エンド・ツー・エンドで微分可能なモチーフ発見が可能となり、合成データでは最先端の性能を達成するとともに、実際の海馬スライスデータから生物学的に妥当なモチーフを同定した。

ABSTRACT

Neuronal assemblies, loosely defined as subsets of neurons with reoccurring spatio-temporally coordinated activation patterns, or "motifs", are thought to be building blocks of neural representations and information processing. We here propose LeMoNADe, a new exploratory data analysis method that facilitates hunting for motifs in calcium imaging videos, the dominant microscopic functional imaging modality in neurophysiology. Our nonparametric method extracts motifs directly from videos, bypassing the difficult intermediate step of spike extraction. Our technique augments variational autoencoders with a discrete stochastic node, and we show in detail how a differentiable reparametrization and relaxation can be used. An evaluation on simulated data, with available ground truth, reveals excellent quantitative performance. In real video data acquired from brain slices, with no ground truth available, LeMoNADe uncovers nontrivial candidate motifs that can help generate hypotheses for more focused biological investigations.

研究の動機と目的

• カルシウムイメージング動画から再発する空間的・時間的神経細胞発火パターン（モチーフ）を直接検出する手法を開発すること。
• 細胞セグメンテーションやスパイク時刻抽出といった誤差を含みやすい中間ステップを回避すること。
• ディープジェネレーティブモデリングを用いてエンド・ツー・エンドで微分可能なモチーフ発見を可能にすること。
• 長時間のカルシウムイメージング動画処理に適したスケーラブルで効率的な学習スキームを提供すること。
• 真のラベルが与えられる合成データで手法を検証し、実生物データに応用することで仮説生成を促進すること。

提案手法

• LeMoNADe は、スパースで鋭いピークを持つモチーフ活性化をモデル化するため、ベルヌーイ事前分布を用いた離散的確率的ボトルネックを備えた変分オートエンコーダー（VAE）を採用する。
• 離散的潜在変数を介した勾配ベース最適化を可能にするために、Gumbel-softmax 再パラメータライゼーション・トリックを用いる。
• 再構成と正則化のバランスをとるために、学習可能な β 係数を用いた β-VAE 損失を採用する。
• モチーフはデコーダーのフィルタから直接抽出され、活性化時刻は潜在空間表現から導出される。
• 重複するセグメントに分割することで共有潜在コードを用いることで、任意に長いカルシウムイメージング動画の処理が可能となる、新しい学習スキームを導入する。
• フレームワークは PyTorch で実装され、再現性とコミュニティ利用を目的に GitHub で公開されている。

実験結果

リサーチクエスチョン

• RQ1 スパイク抽出を必要とせず、カルシウムイメージング動画から生物学的に関連のある神経細胞発火モチーフをディープジェネレーティブモデルが直接検出可能か？
• RQ2 スパイク時刻を事前に抽出した手法と比較して、LeMoNADe の性能はどのように異なるか？
• RQ3 温度パラメータ（â）や β-VAE 係数といったハイパーパramータが、モチーフ発見の品質に与える影響は何か？
• RQ4 真のラベルが存在しない実カルシウムイメージングデータにおいて、LeMoNADe は非自明で再現性のあるモチーフを同定できるか？
• RQ5 ノイズやアーチファクト（低 SNR やカルシウムダイナミクスに起因する誤検出など）に対して、この手法はどれほど頑健か？

主な発見

• 真のラベルが与えられる合成カルシウムイメージングデータにおいて、LeMoNADe はスパイク時刻行列を必要とする最先端のモチーフ検出手法と同等の性能を達成した。
• 実際の海馬スライスのカルシウムイメージングデータにおいて、非自明で再発する空間的・時間的発火パターンを効果的に検出し、生物学的に妥当な神経細胞アセンブリを示唆した。
• â と β_KL のハイパーパramータチューニングがモチーフ品質に顕著な影響を与え、最適な値が明確で解釈可能なモチーフを生成し、ノイズへの過剰適合を回避した。
• Gumbel-softmax 再パラメータライゼーションにより、離散的潜在変数を介した効果的なバックプロパゲーションが可能となり、低分散のエンド・ツー・エンド学習が実現された。
• 計算効率とスケーラビリティが高く、セグメント化された学習戦略により、長時間のカルシウムイメージング動画の処理が可能であった。
• 再構成動画とモチーフの重ね合わせの可視化により、LeMoNADe がデータに存在する意味のある空間的・時間的パターンを的確に捉えていることが確認された。