[논문 리뷰] A novel method for determining the phase-response curves of neurons based on minimizing spike-time prediction error

Benjamin Torben-Nielsen, Marylka Yoe Uusisaari외 1명|arXiv (Cornell University)|2010. 01. 04.

Neural dynamics and brain function참고 문헌 2인용 수 3

한 줄 요약

이 논문은 스파이크 시간 예측 오차를 최소화하고 이산화된 단계에서 독립적인 교란을 사용하여 신경세포의 반응 곡선(PRC)을 추정하는 새로운 방법인 STEP(표준화된 오차 예측) 방법을 소개한다. 이 방법은 최소 100개의 스파이크로도 고노이즈 수준에서도 안정적이고 정확한 PRC 추정을 가능하게 하여 기존 방법보다 수렴성과 데이터 효율성에서 뛰어나다.

ABSTRACT

Regular firing neurons can be seen as oscillators. The phase-response curve (PRC) describes how such neurons will respond to small excitatory perturbations. Knowledge of the PRC is important as it is associated to the excitability type of neurons and their capability to synchronize in networks. In this work we present a novel method to estimate the PRC from experimental data. We assume that continuous noise signal can be discretized into independent perturbations at evenly spaced phases and predict the next spike based on these independent perturbations. The difference between the predicted next spike made at every discretized phase and the actual next spike time is used as the error signal used to optimize the PRC. We test our method on model data and experimentally obtained data and find that the newly developed method is robust and reliable method for the estimation of PRCs from experimental data.

연구 동기 및 목표

• 고노이즈 및 제한된 스파이크 수 조건에서도 신뢰할 수 있는 실험적 신경세포 데이터로부터 단계 반응 곡선(PRC)을 추정할 수 있는 방법을 개발하는 것.
• 기존 PRC 추정 방법이 간격 동안 스파이크 시간 오차의 합에 의존함에 따라 발생하는 수렴 문제를 해결하는 것.
• 시간적 단계 정보를 유지하기 위해 이산 단계 상자에서 교란을 독립적으로 처리함으로써 최적화의 안정성을 향상시키는 것.
• 모델 신경세포와 실제 실험 데이터를 바탕으로 방법을 검증하여 정확성과 강건성을 입증하는 것.
• 기존 기법들인 STA, WSTA, 또는 Galan의 방법과 비교해 신뢰할 수 있는 PRC 추정을 위해 필요한 스파이크 수를 줄이는 것.

제안 방법

• 스파이크 간격을 N개의 단계 상자(예: 100개 상자)로 이산화하여 신경세포의 진동 주기(0에서 2π)를 표현한다.
• 각 단계 상자 φj에 대해 다음 스파이크 시간을 ŝi,j = si−1 + x(t(φj)) · z(φj)로 예측한다. 여기서 x(t)는 주입된 변동 전류이고, z(φj)는 후보 PRC이다.
• 각 스파이크 i와 단계 상자 j에 대해 오차 신호 Ei,j = √(ŝi,j − si)²를 계산하여 단계별 예측 오차를 유지한다.
• 모든 스파이크와 단계 상자에 걸쳐 총 오차를 최소화하는 최소 제곱법을 사용해 PRC 매개변수(푸리에 계수 a와 b)를 최적화한다.
• PRC를 유한한 푸리에 급수로 근사한다: z(φ) ≈ Σₙ₌₀³ [aₙ sin(nφ) + bₙ cos(nφ)].
• 오차 신호를 반복적으로 이용해 PRC를 개선함으로써 시간에 따른 오차 합산으로 인해 이전 방법들이 실패하는 문제를 피한다.

실험 결과

연구 질문

• RQ1 기존 방법보다 적은 스파이크 수와 더 높은 노이즈 수준에서도 안정적으로 수렴하는 PRC 추정 방법을 개발할 수 있는가?
• RQ2 시간에 따라 구분된 스파이크 시간 예측 오차를 유지하는 것이 오차 합산 방식에 비해 정확성과 강건성 향상에 기여하는가?
• RQ3 연속적인 변동 전류 주입 조건에서 모델 신경세포에서 알려진 PRC 유형(예: 타입-II)을 STEP 방법이 정확하게 복원할 수 있는가?
• RQ4 실제 마우스 케이블리어 피라미드 신경세포에서의 실험 데이터에 대해 이 방법은 어떻게 성능을 보이며, 부분 샘플링된 데이터 간에 유사한 PRC를 얻을 수 있는가?
• RQ5 기존 기반 기법들과 비교해 STEP 방법을 사용할 경우 신뢰할 수 있는 PRC 추정을 위해 필요한 최소 스파이크 수는 얼마인가?

주요 결과

• STEP 방법은 고노이즈 수준에서도 연속적인 변동에 노출된 모델 신경세포에서 정확한 PRC 유형(타입-II)을 회복하는 데 성공한다.
• 단지 100개의 스파이크로도 STEP 방법은 안정적이고 정확한 PRC 추정을 제공하며, 기존 방법이 480~7000개의 스파이크가 필요로 하는 것에 비해 데이터 요구량을 크게 줄였다.
• 마우스 층 2/3 피라미드 신경세포에서의 실험 데이터로부터 추정된 PRC는 다수의 부분 샘플(반값 PRC) 간에 일관되며, 과적합 위험이 낮고 신뢰성이 높음을 시사한다.
• 최대 100 pA의 높은 노이즈 진폭에 대해서도 강건성을 유지하여 다른 방법들이 수렴하지 못하는 조건에서도 정확한 PRC 추정이 가능하다.
• STEP를 통해 추정된 PRC는 짧은 전류 펄스를 사용한 직접 방법으로 얻은 결과와 매우 유사하여 정확성을 검증한다.
• 단계별 오차 신호를 사용함으로써 시간적 정보 손실을 방지하고 이전 최적화 기반 방법보다 더 빠른 수렴을 가능하게 한다.