[논문 리뷰] Automatic discovery of cell types and microcircuitry from neural connectomics

Eric Jonas, Konrad P. Körding|arXiv (Cornell University)|2014. 07. 15.

Cell Image Analysis Techniques참고 문헌 19인용 수 5

한 줄 요약

이 논문은 연결망 데이터에서 연결성, 세포체 깊이, 시냅스 분포를 통합함으로써 신경세포 유형과 미세회로를 자동으로 발견하는 비모수 베이지안 모델을 제안한다. 이 방법은 단순한 알고리즘보다 연결 예측과 알려진 망막 세포 유형 식별에서 뛰어난 성능을 보이며, C. elegans에서 새로운 구조적 패턴과 마이크로프로세서 회로를 드러낸다.

ABSTRACT

Neural connectomics has begun producing massive amounts of data, necessitating new analysis methods to discover the biological and computational structure. It has long been assumed that discovering neuron types and their relation to microcircuitry is crucial to understanding neural function. Here we developed a nonparametric Bayesian technique that identifies neuron types and microcircuitry patterns in connectomics data. It combines the information traditionally used by biologists, including connectivity, cell body location and the spatial distribution of synapses, in a principled and probabilistically-coherent manner. We show that the approach recovers known neuron types in the retina and enables predictions of connectivity, better than simpler algorithms. It also can reveal interesting structure in the nervous system of C. elegans, and automatically discovers the structure of a microprocessor. Our approach extracts structural meaning from connectomics, enabling new approaches of automatically deriving anatomical insights from these emerging datasets.

연구 동기 및 목표

• 고속 연결망 데이터로부터 신경세포 유형과 미세회로를 자동으로, 확장 가능하게 식별하는 방법을 개발하기 위해.
• 연결성, 세포체 깊이, 시냅스 분포와 같은 다수의 신경해부학적 특징을 통합하여 통합된 확률적 프레임워크를 구축하기 위해.
• 공간적 의존성과 세포 유형 식별에서의 확률적 일관성을 포함시켜 기존 방법을 향상시키기 위해.
• 인간 신경해부학자들의 분류와 일치하는 편향 없는 데이터 기반의 세포 유형 식별을 가능하게 하기 위해.
• 다른 동물 간 세포 유형 정렬을 가능하게 하여 비교 신경해부학과 기능적 표현형 분석을 지원하기 위해.

제안 방법

• 모델은 관측되지 않은 세포 유형을 위한 잠재 변수를 사용하는 비모수 베이지안 접근법을 사용하며, 각 세포는 단일 유형에 할당된다.
• 연결 가능성은 세포 유형 쌍(ηmn)과 전역 초모수(θ)로 매개변수화된 거리 의존 함수로 모델링된다.
• 세포체 깊이는 유형별 평균과 분산을 가진 가우시안 분포로 모델링되며, 시냅스 밀도 프로파일은 각 유형당 최대 3개의 모드로 모델링된다.
• 구조적 할당, 유형별 매개변수, 전역 초모수에 대해 조합 가능한 마르코프 체인 몬테카를로 전이 커널을 사용하여 추론이 수행된다.
• 세포 유형 할당(c), 매개변수(η), 초모수(θ)에 대해 최대사후확률(MAP) 추정을 통해 공동 사후확률을 최대화하며, 유형 할당과 매개변수에 우선분포를 적용한다.
• 모델은 다중 연결행렬으로 확장 가능하며, 배경 연결률을 통한 오차 모델링을 통합한다.

실험 결과

연구 질문

• RQ1 연결성, 공간적 위치, 시냅스 분포를 통합함으로써 확률적 모델이 연결망 데이터로부터 자동으로 신경세포 유형을 식별할 수 있는가?
• RQ2 모델은 신경해부학자들이 수작업으로 분류한 알려진 망막 세포 유형을 얼마나 잘 복원하는가?
• RQ3 모델은 망막 이외의 덜 연구된 신경계, 예를 들어 C. elegans에서 새로운 구조적 패턴을 드러낼 수 있는가?
• RQ4 공간적 및 형태학적 특징을 통합하면 단순한 모델보다 연결 예측 정확도가 향상되는가?
• RQ5 모델은 생물학적 시스템 외에도 인공 시스템인 마이크로프로세서와 같은 다양한 신경계에서 일관된 미세회로 패턴을 식별할 수 있는가?

주요 결과

• 모델은 인간 신경해부학자들의 분류와 높은 일치도를 보이며 알려진 망막 세포 유형을 성공적으로 복원한다.
• 공간적 및 형태학적 특징을 활용함으로써 단순한 알고리즘보다 더 뛰어난 연결 예측 성능을 달성한다.
• 모델은 C. elegans 연결망에서 이전에 알려지지 않은 구조적 조직을 드러내어 기능적 미세회로를 시사한다.
• 클래식한 마이크로프로세서의 기반이 되는 아키텍처를 자동으로 식별함으로써 생물학적 시스템 외부로의 일반화 능력을 입증한다.
• 공간적 및 시냅스 분포 특징의 통합은 모델 정확도와 생물학적 타당성을 크게 향상시킨다.
• 이 방법은 동물 간 세포 유형 정렬을 가능하게 하여 비교 정량 신경해부학을 지원한다.