[論文レビュー] Unsupervised learning of control signals and their encodings in $ extit{C. elegans}$ whole-brain recordings

Charles Fieseler, Manuel Zimmer+1 more|arXiv (Cornell University)|Jan 23, 2020

Neural dynamics and brain function参考文献 5被引用数 4

ひとこと要約

本稿では、カビン酸イメージングデータからC. elegans全脳神経動態をモデル化するため、自己教師ありDMDcを用いたグローバルで線形の力学的システムを提案する。動的モード分解法（DMDc）を用いて、非線形な集団動態を少数のキーニューロンが駆動する線形的進化として再構成し、行動遷移に関連する制御信号を特定。時間遅れを考慮した予測的符号化により、その信号が時間的予測能力を持つことを示す。

ABSTRACT

Recent whole brain imaging experiments on $ extit{C. elegans}$ has revealed that the neural population dynamics encode motor commands and stereotyped transitions between behaviors on low dimensional manifolds. Efforts to characterize the dynamics on this manifold have used piecewise linear models to describe the entire state space, but it is unknown how a single, global dynamical model can generate the observed dynamics. Here, we propose a control framework to achieve such a global model of the dynamics, whereby underlying linear dynamics is actuated by sparse control signals. This method learns the control signals in an unsupervised way from data, then uses $ extit{ Dynamic Mode Decomposition with control}$ (DMDc) to create the first global, linear dynamical system that can reconstruct whole-brain imaging data. These control signals are shown to be implicated in transitions between behaviors. In addition, we analyze the time-delay encoding of these control signals, showing that these transitions can be predicted from neurons previously implicated in behavioral transitions, but also additional neurons previously unidentified. Moreover, our decomposition method allows one to understand the observed nonlinear global dynamics instead as linear dynamics with control. The proposed mathematical framework is generic and can be generalized to other neurosensory systems, potentially revealing transitions and their encodings in a completely unsupervised way.

研究の動機と目的

• 局所的近似を用いずに、C. elegansの非線形な神経集団動態を捉えるグローバルで線形な力学的モデルの構築。
• 前向き移動、後退、旋回といった離散的行動の間の遷移を駆動するスパースで生物学的に解釈可能な制御信号の同定。
• これらの制御信号が神経活動にどのように符号化されており、時間遅れを伴う予測的パワーを持つのかの理解。
• 他の神経感覚系に適用可能なデータ駆動型で自己教師ありのフレームワークを提供すること。

提案手法

• 全脳カルシウムイメージングデータに動的モード分解法（DMDc）を適用し、制御入力を有するグローバル線形力学的システムを学習。
• スパース変数選択による自己教師あり手法を用い、行動遷移の制御信号として機能する最小限のニューロン集合を同定。
• 符号化解析において、制御信号の伝播時間スケールと神経基盤を特定するための新規な段階的除外経路を採用。
• 遷移をスパースで一時的な信号としてモデル化し、局所的またはハイブリッド力学的モデルを避ける。
• 時間遅れを含む解析を統合し、同定されたニューロンにおける事前活性化パターンから遷移を予測。
• 予測された動態と観測された全脳活動との比較により、再構成品質を検証。

実験結果

リサーチクエスチョン

• RQ1 制御入力を有する単一のグローバル線形力学的システムは、C. elegansの全脳記録で観察された複雑な非線形神経集団動態を再構成できるか？
• RQ2 前向き移動、後退、旋回といった離散的行動の遷移を引き起こす制御信号を符号化しているのはどのニューロンか？
• RQ3 遷移の前触れとなる神経活動のタイミングと順序は、同定された制御信号を用いて時間遅れを考慮した符号化で予測可能か？
• RQ4 本フレームワークは、局所線形または区分線形モデルと比較して、行動動態の再構成において優れているか？
• RQ5 同定された制御信号の生物学的解釈可能性と、異なる行動状態にわたる一般化性はいかがなものか？

主な発見

• 提案されたDMDcベースのモデルは、スパースな制御信号を有する単一のグローバル線形システムを用いて、全脳カルシウムイメージングデータを成功裏に再構成し、高い再構成忠実度を達成した。
• 制御信号は少数のニューロンに同定され、既に知られているAVBやAIYといったニューロンに加え、これまで遷移と関連づけられていなかった新規候補も同定された。
• 時間遅れを伴う符号化解析により、行動遷移が最大1.5秒も前もって神経活動から予測可能であることが判明。予測力は複数のニューロンタイプにわたって持続した。
• 本手法は前向き移動および後退・旋回への遷移の動態をうまく捉えたが、長時間にわたる前向き移動状態では再構成品質が低下し、この状態に内在する複雑さや非線形性が原因である可能性を示唆した。
• 本フレームワークにより、非線形動態がスパースで一時的な制御入力を持つ線形動態として理解可能であることが明らかになった。これは、区分的またはハイブリッドシステムに比べ、より単純で解釈可能なモデルを提供する。
• 自己教師あり学習アプローチにより、行動状態の事前ラベルなしに生物学的に妥当な制御信号を同定でき、今後の実験的検証に向けた仮説を生成可能となった。