[論文レビュー] Nonlinear Evolution via Spatially-Dependent Linear Dynamics for Electrophysiology and Calcium Data

Daniel Hernandez, Antonio Khalil Moretti+4 more|arXiv (Cornell University)|Nov 6, 2018

Neural dynamics and brain function参考文献 19被引用数 9

ひとこと要約

本論文は、局所線形動的システム（LLDS）を用いて空間に依存する線形動的システムとして非線形で滑らかな潜在的動的をモデル化する、変分推論フレームワークであるVIND（Variational Inference for Nonlinear Dynamics）を提案する。VINDは、電気生理学的データ、単細胞バイオルミネッセンス、広視野カルシウムイメージングデータにおいて、再構成と予測の両面で最先端の性能を達成し、予測の平均二乗誤差が顕著に改善され、生物学的に解釈可能な潜在的次元が同定された。

ABSTRACT

Latent variable models have been widely applied for the analysis of time series resulting from experimental neuroscience techniques. In these datasets, observations are relatively smooth and possibly nonlinear. We present Variational Inference for Nonlinear Dynamics (VIND), a variational inference framework that is able to uncover nonlinear, smooth latent dynamics from sequential data. The framework is a direct extension of PfLDS; including a structured approximate posterior describing spatially-dependent linear dynamics, as well as an algorithm that relies on the fixed-point iteration method to achieve convergence. We apply VIND to electrophysiology, single-cell voltage and widefield imaging datasets with state-of-the-art results in reconstruction error. In single-cell voltage data, VIND finds a 5D latent space, with variables akin to those of Hodgkin-Huxley-like models. VIND's learned dynamics are further quantified by predicting future neural activity. VIND excels in this task, in some cases substantially outperforming current methods.

研究の動機と目的

• 順序付けられた神経科学的データにおける非線形的で滑らかな潜在的動的をモデル化するスケーラブルで正確な変分推論フレームワークの開発。
• 線形動的システムと標準的な変分近似の限界を克服し、複雑な非線形神経動的を捉えること。
• 構造的かつ取り扱いやすい事後分布近似を通じて、潜在的動的（遷移）とデータ符号化（認識）を分離可能にする。
• 高次元でノイズの多い観測値を持つ実験的データセットにおける神経活動の生成的モデリングと長期間予測の改善。
• 単細胞バイオルミネッセンスと集団イメージングデータから、生物学的に意味のある潜在的次元と動的を同定すること。

提案手法

• VINDは、潜在空間における非線形な進化を局所線形動的システム（LLDS）を用いてモデル化する構造的近似事後分布を採用しており、遷移行列は潜在状態の空間に応じて変化する。
• 固定点反復法を用いて変分目的関数を最適化することで、時間点数に線形時間計算量で収束し、効率的な推論が可能となる。
• PfLDSフレームワークを拡張し、近似事後分布が生成モデルの動的構造そのものを正確に共有できるようにした。
• 認識モデル（観測値を潜在状態に符号化）と遷移モデル（動的）を分離することで、分離可能な推論が可能となった。
• 認識モデルからのマルコフモンテカルロサンプリングを用いて変分下界（ELBO）を最適化し、固定点反復の内部で勾配を逆伝播可能にした。
• TensorFlowで実装されており、入力駆動型および教師あり設定への拡張をサポートしている。

実験結果

リサーチクエスチョン

• RQ1 変分推論フレームワークは、神経科学的時系列データにおける非線形的で滑らかな潜在的動的を効果的にモデル化できるか？
• RQ2 真の非線形動的構造を模倣する構造的近似事後分布は、再構成と予測の精度を向上させるか？
• RQ3 VINDは、単細胞バイオルミネッセンス記録から、ホッジキン＝フラッスキー型イオンチャネル動的と類似する成分を持つ生物学的に解釈可能な5次元潜在空間を同定できるか？
• RQ4 VINDの学習された動的は、神経活動の長期間予測にどの程度一般化可能か？
• RQ5 広視野イメージングデータにおいて、片側大脳半球（例：左側）から学習した潜在的動的は、他方の（例：右側）大脳半球の活動を予測できるか？

主な発見

• VINDは、電気生理学的データ、単細胞バイオルミネッセンス、広視野カルシウムイメージングデータにおいて、予測の平均二乗誤差が桁違いに改善され、再構成誤差で最先端の性能を達成した。
• 単細胞バイオルミネッセンスデータでは、VINDが5次元の潜在空間を同定し、ホッジキン＝フラッスキー型イオンチャネル動的と類似する成分を特定した。
• VINDは優れた長期間予測性能を示し、予測先が30ステップ先まででも精度の劣化が最小限に抑えられ、ベースライン手法を著しく上回った。
• 広視野イメージングデータにおいて、左側大脳半球の潜在状態から右側大脳半球の皮質動的を再構成し、分散加重R²が0.49を達成した。これはCCAベースライン（R² = 0.45）を上回った。
• VINDの潜在的軌道は、入力電流に応じた明確な状態空間の占有パターンを示し、電気生理学的データにおける試行タイプの明確な分離を可能にした。
• フレームワークの推論アルゴリズムは時間点数に線形にスケーリングされ、長期間の神経時系列データへの効率的学習が可能となった。