[論文レビュー] Linking fast and slow: the case for generative models

Johan Medrano, Karl Friston+1 more|PubMed|Aug 21, 2023

Neural dynamics and brain functionNeuroscience参考文献 77被引用数 3

ひとこと要約

本論文は、ミリ秒スケールの高速ニューロン動態と分単位から数年スケールの遅いシステムレベルの変化を結びつけるために、階層的生成モデルとベイズ推論を提唱する。これにより、相関関係を越えた機構的推論が可能になる。スレイブ原理と変分ベイズを活用することで、マルチスケール神経科学モデリングの原則的枠組みが提供され、てんかん研究における応用が実証され、脳ネットワークダイナミクスへの広範な適用可能性を有する。

ABSTRACT

A pervasive challenge in neuroscience is testing whether neuronal connectivity changes over time due to specific causes, such as stimuli, events, or clinical interventions. Recent hardware innovations and falling data storage costs enable longer, more naturalistic neuronal recordings. The implicit opportunity for understanding the self-organised brain calls for new analysis methods that link temporal scales: from the order of milliseconds over which neuronal dynamics evolve, to the order of minutes, days, or even years over which experimental observations unfold. This review article demonstrates how hierarchical generative models and Bayesian inference help to characterise neuronal activity across different time scales. Crucially, these methods go beyond describing statistical associations among observations and enable inference about underlying mechanisms. We offer an overview of fundamental concepts in state-space modeling and suggest a taxonomy for these methods. Additionally, we introduce key mathematical principles that underscore a separation of temporal scales, such as the slaving principle, and review Bayesian methods that are being used to test hypotheses about the brain with multiscale data. We hope that this review will serve as a useful primer for experimental and computational neuroscientists on the state of the art and current directions of travel in the complex systems modelling literature.

研究の動機と目的

• 神経科学においてミリ秒から数年までの複数の時間スケールにわたるニューロン活動を結びつける課題に対処すること。
• マルチスケール時系列データを用いた神経科学的仮説の評価のための体系的フレームワークを開発すること。
• 生成モデルとベイズモデル比較を用いることで、統計的関連性を越えて、背後にあるメカニズムに関する推論を可能にすること。
• 高速スケールのダイナミクスを入力として用いることで、脳結合性の遅い変化をモデリングする実用的でスケーラブルな手法を提供すること。
• 仮想てんかん患者フレームワークを通じて、臨床神経科学、特にてんかん研究における本手法の有効性を示すこと。

提案手法

• 連続時間の発展方程式と測定ノイズを組み込んだ観測モデルを用いて、潜在的ニューロン動態を状態空間モデルで表現する。
• スレイブ原理を用いて高速・低速の時間スケールを明確に分離し、それぞれを階層的構造を用いて独立にモデリング可能にする。
• 複雑な階層的モデルの逆問題を解くために、モデルパラメータの事後分布を近似するための変分ベイズを適用する。
• 中間レベルでのハイパーパriorを学習するために、実証的ベイズを実装し、強い事前仮定なしにデータからモデルを学習可能にする。
• 高速スケールのパラメータ（例：神経集団活動）を高階層モデルの遅く変化する観測値として扱う階層的モデルを構築する。
• モデルの証拠（変分自由エネルギーを用いて近似）を用いて、競合するマルチスケールモデルを比較し、最も妥当な仮説を選択する。

Figure 1: Important concepts of the theory of dynamical systems. a) An example of flow in state-space (grey arrows), governing the evolution of trajectories (coloured curves) from different initial states (coloured circles). b) The corresponding trajectories in the time domain for both $x_{1}$ and $

実験結果

リサーチクエスチョン

• RQ1 階層的生成モデルは、脳結合性の遅いシステムレベルの変化と高速ニューロン動態をどのように結びつけることができるか？
• RQ2 マルチスケール脳モデリングにおいて時間スケールを分離する数学的原則は何であり、どのように厳密に適用できるか？
• RQ3 特に変分ベイズを用いることで、マルチスケール時系列の複雑な階層的モデルをどのように逆問題に解けるか？
• RQ4 複数の時間スケールをモデリングする決定を導く基準は何か？また、モデルの複雑さはデータへの適合性によってどのように正当化できるか？
• RQ5 生成モデルを用いることで、てんかんにおける例えとしての脳ネットワークの状態遷移の機構的説明をどのように明らかにできるか？

主な発見

• スレイブ原理により、時間スケールの厳密な分離が可能となり、高速・低速のダイナミクスを独立にモデリングしつつ、因果的依存関係を保持できる。
• ベイズ逆問題を伴う階層的生成モデルにより、マルチスケールデータにおいて統計的関連性を越えて、背後にあるメカニズムに関する推論が可能になる。
• 実証的ベイズを組み合わせた変分ベイズは、神経時系列の複雑な階層的モデルを逆問題に解くためのスケーラブルで実用的な手法を提供する。
• 変分自由エネルギーを用いて近似されたモデル証拠は、競合するマルチスケールモデルを比較し、最も妥当な仮説を選択する原則的手段を提供する。
• 仮想てんかん患者フレームワークを通じて、てんかん研究への応用が成功裏に実施され、てんかん発作ダイナミクスのパーソナライズドモデリングが可能になった。
• 隠れマルコフモデルに脱出率と連続的遅いダイナミクスを組み込むことで、ネットワークアトラクタ遷移をシナプス的および予測コーディングメカニズムと結びつけることができる。

Figure 2: Taxonomy of the different modelling frameworks discussed here. The key factors guiding the selection of a particular framework are the nature of dynamics (discrete or continuous) and the nature of state space (stochastic or deterministic). In addition, the nature of the inputs (stochastic