[論文レビュー] Point process models for sequence detection in high-dimensional neural spike trains

Alex H. Williams, Anthony Degleris+2 more|arXiv (Cornell University)|Oct 9, 2020

Animal Vocal Communication and Behavior参考文献 34被引用数 13

ひとこと要約

この論文は、連続時間におけるマーク付き点過程としてのシーケンス発生をモデル化することで、高次元スパイクトレインにおける教師なし神経シーケンス検出を目的としたベイジアン点過程モデル（PP-Seq）を提案する。不確実性の定量化、連続時間モデリング、学習可能な時間歪みを可能にすることで、スパイクの離散化を要しない、最小二乗法に基づく最適化が不適切である、不確実性推定が欠如しているといった従来の手法（例：convNMF）の限界を克服し、シーケンス検出の精度を向上させるとともに、変動する持続時間を持つシーケンスのモデリングも可能にした。この有効性は、サイロウのHVCおよびラットの海馬データを用いた検証で裏付けられた。

ABSTRACT

Sparse sequences of neural spikes are posited to underlie aspects of working memory, motor production, and learning. Discovering these sequences in an unsupervised manner is a longstanding problem in statistical neuroscience. Promising recent work utilized a convolutive nonnegative matrix factorization model to tackle this challenge. However, this model requires spike times to be discretized, utilizes a sub-optimal least-squares criterion, and does not provide uncertainty estimates for model predictions or estimated parameters. We address each of these shortcomings by developing a point process model that characterizes fine-scale sequences at the level of individual spikes and represents sequence occurrences as a small number of marked events in continuous time. This ultra-sparse representation of sequence events opens new possibilities for spike train modeling. For example, we introduce learnable time warping parameters to model sequences of varying duration, which have been experimentally observed in neural circuits. We demonstrate these advantages on experimental recordings from songbird higher vocal center and rodent hippocampus.

研究の動機と目的

• 従来の手法（例：convNMF）の限界、すなわちスパイクの離散化を要すること、最適でない最小二乗法によるフィッティングを用いること、不確実性推定が欠如していることに対処すること。
• 神経シーケンスを時間的・スパースなマーク付きイベントとして表現する、連続時間で完全に確率的なモデルを構築し、個々のスパイクの微細な分析を可能にすること。
• 神経回路における実験的観察に即した、可変持続時間のシーケンスを学習可能な時間歪みパラメータを用いてモデリングできること。
• 線形次元削減が失敗する高次元データにおいて、教師なしで神経シーケンスを検出できること。
• 多電極記録における重複する非冗長な神経シーケンスモチーフを発見するためのスケーラブルで解釈可能なフレームワークを提供すること。

提案手法

• PP-Seqモデルは、神経シーケンスをマーク付き点過程として表現し、シーケンスイベントが連続時間τkに発生し、各イベントが神経特異的な応答パターンを時間ずれ付きで引き起こす。
• スパイク時刻は、強度λ(t) = λ⁰ + ∑k ∑n wn,r ⋅ f(t - τk - bnr) のポアソン過程としてモデル化され、fは応答カーネル、bnrは神経特異的な時間オフセットである。
• シーケンスアモルビトゥード、バックグラウンドレート、応答幅のパラメータにガンマ分布を用いた階層ベイジアン事前分布を導入し、不確実性の定量化を可能にした。
• 時間要因hを柔軟で学習可能な関数によって歪ませることで、新たな時間歪み機構を導入し、可変持続時間のシーケンスのモデリングを可能にした。
• 事後分布推論には、ギブスポンピングとメトロポリス・ハスティングスのスプリット・マージ・ムーブを組み合わせた手法を用い、混合性と収束性を向上させるためにアニールドMCMCを適用した。
• 合成データにおけるROC分析と、実際の海馬およびサイロウデータにおけるハイパーパramータスイープを用いてモデルを評価し、convNMFとの比較も行った。

実験結果

リサーチクエスチョン

• RQ1 連続時間で完全にベイジアンな点過程モデルは、離散化され、最小二乗法に基づく手法（例：convNMF）を上回る神経シーケンス検出性能を示せるか？
• RQ2 モデルは、これらの推定値の不確実性を定量化しつつ、シーケンスイベント時刻とアモルビトゥードを正確に回復できるか？
• RQ3 学習可能な時間歪みパラメータの導入により、神経データで観察される可変持続時間のシーケンスのモデリングが向上するか？
• RQ4 線形手法がシーケンスダイナミクスを捉えられない実際の高次元神経記録において、モデルはどの程度の性能を示すか？
• RQ5 時間シフトによる弱い識別可能性の影響が性能に与える影響はどの程度か？ また、評価においてはどのように緩和できるか？

主な発見

• 最適な時間シフト補正後、合成データにおいてPP-SeqはconvNMFを著しく上回り、受信者操作特性曲線（ROC）下の面積が15%高い。
• モデルはサイロウHVCデータにおける重複する神経シーケンスを的確に捉え、既知の行動的・解剖的制約と整合するシーケンスモチーフを明らかにした。
• ラット海馬記録では、特にSNRが低い条件下でも、PP-SeqはconvNMFよりも再プレイヤルイベントを高い精度で検出できた。
• 学習可能な時間歪みの導入により、モデルは可変持続時間のシーケンスに適応でき、実験データにおけるフィットと解釈可能性が向上した。
• 事後分布からの不確実性推定により、シーケンスイベント時刻とアモルビトゥードの信頼区間が信頼性を持って得られ、頑健な推論が可能になった。
• ハイパーパramータースイープの結果、シーケンスアモルビトゥード、バックグラウンドレート、応答幅の変動に対してもモデルは安定しており、多様なパrameter設定でも一貫した性能を示した。