[論文レビュー] Manifold GPLVMs for discovering non-Euclidean latent structure in neural data
本稿では、神経データから非ユークリッド的埋め込み多様体（球面、トーラス、回転群など）を学習する確率的枠組みである多様体ガウス過程潜在変数モデル（mGPLVM）を紹介する。神経の鋭敏性曲線を内在多様体上のガウス過程としてモデル化することにより、mGPLVMは、頭部方位といった行動的に関連する変数の滑らかで位相的に一貫した表現を明らかにし、ドーパミンやマウスの神経記録において、円形および回転的ダイナミクスをより効果的に捉えることで、ユークリッド的モデルを凌駕する。
A common problem in neuroscience is to elucidate the collective neural representations of behaviorally important variables such as head direction, spatial location, upcoming movements, or mental spatial transformations. Often, these latent variables are internal constructs not directly accessible to the experimenter. Here, we propose a new probabilistic latent variable model to simultaneously identify the latent state and the way each neuron contributes to its representation in an unsupervised way. In contrast to previous models which assume Euclidean latent spaces, we embrace the fact that latent states often belong to symmetric manifolds such as spheres, tori, or rotation groups of various dimensions. We therefore propose the manifold Gaussian process latent variable model (mGPLVM), where neural responses arise from (i) a shared latent variable living on a specific manifold, and (ii) a set of non-parametric tuning curves determining how each neuron contributes to the representation. Cross-validated comparisons of models with different topologies can be used to distinguish between candidate manifolds, and variational inference enables quantification of uncertainty. We demonstrate the validity of the approach on several synthetic datasets, as well as on calcium recordings from the ellipsoid body of Drosophila melanogaster and extracellular recordings from the mouse anterodorsal thalamic nucleus. These circuits are both known to encode head direction, and mGPLVM correctly recovers the ring topology expected from neural populations representing a single angular variable.
研究の動機と目的
- 非ユークリッド的位相構造（球面、トーラス、SO(3)など）を明示的に組み込んだ確率的潜在変数モデルを、神経データ解析に適用する。
- ユークリッド的射影による人工的な不連続性を回避するため、これらの多様体上での潜在状態と個々のニューロンの鋭敏性曲線の非監視的推論を可能にする。
- 交差検証を用いた比較により、競合する多様体（例：円 vs. 直線）間のモデル選択を原理的に行う。
- 変分推論を用いて潜在状態推定の不確実性を定量化し、神経表現の一貫性の解釈を支援する。
- ドーパミンのエリプソイド・ボディおよびマウスの前背側側大腿核からの合成データと実際の神経記録を用いて、モデルを検証する。両者ともに頭部方位を符号化することが知られている。
提案手法
- mGPLVMは、非ユークリッド的潜在空間に一般化されたGPLVMフレームワークを拡張し、神経応答が多様体M上の潜在状態と、ニューロン固有の鋭敏性曲線（ガウス過程としてモデル化）に依存する生成モデルを定義する。
- Falorsiら（2019）の手法を応用し、S^1、T^n、SO(3)などのリー群上で再パrameter化された変分推論を用いることで、非ユークリッド空間における微分可能な最適化を可能にする。
- 周期的かつ内在的なカーネル（例：円周にはボン・ミーゼス、球面上には等方的）を用いて、鋭敏性曲線における滑らかさと位相的制約を符号化する。
- 潜在状態と鋭敏性曲線の真の事後分布を近似するために、多様体上での基本分布とフローに基づく変換を用いた変分事後分布を構築する。
- 候補となる多様体間の交差検証による周辺尤度比較により、モデル選択を実施し、最も適切な位相構造の特定を可能にする。
- 直接積多様体（例：T^1 × R^1）への拡張により、角度変数と活動レベルや速度といった調整要因を同時にモデル化できる。
実験結果
リサーチクエスチョン
- RQ1確率的潜在変数モデルは、神経集団活動から真の非ユークリッド的多様体構造を正確に回復できるか？
- RQ2円やトーラスなどの多様体上に潜在状態をモデル化することで、頭部方位のような角度変数の表現が、ユークリッド的射影と比べてどのように向上するか？
- RQ3交差検証を用いたモデル比較により、mGPLVMは、潜在状態空間の代替位相仮説（例：円 vs. 直線）を区別できるか？
- RQ4モデルの不確実性推定は、動的環境下での行動的または神経的整合性とどの程度相関するか？
- RQ5mGPLVMは、頭部方位とグローバル活動調節を同時にモデル化するような、積多様体上での複数の相互に依存する潜在変数を扱えるか？
主な発見
- 合成データでは、mGPLVMは角変数の真のリング位相構造（S^1）を正しく同定したが、ユークリッド的モデルは円形の連続性を捉えられず、誤った不連続性を示した。
- ドーパミンのエリプソイド・ボディにおけるカルシウム記録では、mGPLVMは期待されるリング構造の頭部方位符号化を成功裏に回復し、モデル選択ではT^1が線形または高次元多様体よりも優位であった。
- マウスの前背側側大腿核における膜外記録では、mGPLVMは既知の頭部方位鋭敏性と整合的な一貫性のある円形潜在状態を推定し、高い事後信頼度と低い再構成誤差を示した。
- モデルの不確実性推定は、信号品質や行動的文脈に敏感であり、曖昧またはノイズの多い状況では高い不確実性が観察された。
- 積多様体（例：T^1 × R^1）への拡張により、頭部方位とグローバル活動調節の両方を効果的に捉えることができ、フレームワークの多次元潜在構造への柔軟性を示した。
- mGPLVMフレームワークにおける自動関連性決定（ARD）は、2次元トーラスを1次元の円に正しく簡約した。これは、モデルが真の潜在多様体の次元を同定できる能力を示している。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。