[논문 리뷰] Bayesian spike inference from calcium imaging data

Eftychios A. Pnevmatikakis, Josh Merel외 2명|arXiv (Cornell University)|2013. 11. 27.

Neural dynamics and brain function참고 문헌 13인용 수 11

한 줄 요약

이 논문은 이산 시간과 연속 시간에서 각각 길버트 및 메트로폴리스-해스팅스 샘플링을 사용하여 칼슘 이미징 데이터로부터 뉴런의 스파이크 트레인을 베이지안 방법으로 추론하는 방법을 제시한다. 이는 불확실성 정량화와 슈퍼해상도 스파이크 추론을 가능하게 하며, 부수적 매개변수(예: 기저선, 초기 칼슘)를 적분하여 혼합을 향상시키고 매개변수 추정의 분산을 감소시키는 축약형 길버트 샘플러를 포함한다. 특히 저SNR 조건에서 뛰어난 성능을 발휘한다.

ABSTRACT

We present efficient Bayesian methods for extracting neuronal spiking information from calcium imaging data. The goal of our methods is to sample from the posterior distribution of spike trains and model parameters (baseline concentration, spike amplitude etc) given noisy calcium imaging data. We present discrete time algorithms where we sample the existence of a spike at each time bin using Gibbs methods, as well as continuous time algorithms where we sample over the number of spikes and their locations at an arbitrary resolution using Metropolis-Hastings methods for point processes. We provide Rao-Blackwellized extensions that (i) marginalize over several model parameters and (ii) provide smooth estimates of the marginal spike posterior distribution in continuous time. Our methods serve as complements to standard point estimates and allow for quantification of uncertainty in estimating the underlying spike train and model parameters.

연구 동기 및 목표

• 낮은 시간 해상도와 노이즈가 많은 칼슘 이미징 신호에서 정밀한 스파이크 시간을 추론하는 데 도전하는 것.
• 스파이크 트레인과 모델 매개변수 추정의 불확실성을 정량화하는 원리적인 베이지안 프레임워크 제공.
• 연속 시간에서 임의의 해상도로 스파이크 시간을 샘플링하여 슈퍼해상도 스파이크 추론을 가능하게 하는 것.
• 고해상도 또는 희소 데이터 조건에서도 계산적으로 다룰 수 있는 효율적이고 확장 가능한 샘플링 알고리즘 개발.
• 부수적 매개변수(예: 기저선, 초기 칼슘)를 적분하여 혼합을 향상시키고 분산을 감소시키는 축약형 길버트 샘플러 도입.

제안 방법

• 계층적 사전 분포 구조를 갖는 스파이크 트레인과 모델 매개변수(세기, 기저선, 초기 칼슘)를 함께 샘플링하기 위해 이산 시간 블록 길버트 샘플링을 사용한다.
• 기저선과 초기 칼슘 농도를 적분하기 위해 라오-블랙웰라이즈드 기법을 적용하여 사후 추정의 효율성을 향상시킨다.
• 신호 잔차를 바탕으로 한 제안 분포를 사용하여 연속 시간에서 메트로폴리스-해스팅스 샘플링을 적용함으로써 임의의 해상도로 스파이크 시간 위치를 탐색한다.
• 스파이크 강도와 사전 스파이크 확률을 적분하여 차원을 감소시키고 혼합 속도를 가속화하는 축약형 길버트 샘플러를 활용한다.
• 스파이크 입력에 의한 칼슘 전이를 모델링하기 위해 칼슘 동역학의 자기회귀적 구조(1차 AR 과정)를 활용한다.
• 실제 데이터로부터 스파이크 확률의 초모수를 학습하기 위해 실증 베이지안 기법을 사용하여 적응형 희소성 모델링을 가능하게 한다.

실험 결과

연구 질문

• RQ1 저 신호 대 잡음비(SNR) 조건에서 점 추정보다 더 정확하고 불확실성 인식이 가능한 스파이크 추론을 위해 베이지안 샘플링 방법이 효과적인가?
• RQ2 칼슘 이미징 데이터로부터 스파이크 트레인을 어떻게 슈퍼해상도로 추론할 수 있는가? 즉, 시간분할 이하의 해상도로 추론할 수 있는가?
• RQ3 기저선과 초기 칼슘 농도 등의 부수적 매개변수에 대한 축약형 길버트 샘플링이 사후 추정의 혼합과 분산을 향상시키는가?
• RQ4 연속 시간 스파이크 추론의 계산 복잡도는 무엇이며, 고해상도 또는 희소 데이터에 대해서도 효율적으로 확장 가능한가?
• RQ5 제안된 방법은 다양한 SNR 조건에서 표준 MAP 또는 비음수 탈컨볼루션과 비교해 정확도와 내성에 있어 뛰어난가?

주요 결과

• 축약형 이산 시간 메트로폴리스-길버트 샘플러는 저SNR 조건에서도 빠른 혼합과 낮은 분산의 매개변수 추정을 달성하며, 전체 스weep 당 O(T) 복잡도를 가진다.
• 연속 시간 메트로폴리스-해스팅스 샘플러는 슈퍼해상도 스파이크 추론을 가능하게 하며, 시간분할당 여러 스파이크를 할당하고 서로 가까운 사건을 정확히 해소할 수 있다.
• 기저선과 초기 칼슘 농도에 대한 라오-블랙웰라이즈드 적분은 사후 추정 정확도를 크게 향상시키고 분산을 감소시킨다.
• 실제 배양된 척수 신경조직 데이터에서 진짜 스파이크 시간을 성공적으로 복원하였으며, 특히 저SNR 조건에서 표준 MAP 추정보다 뛰어난 성능을 보였다.
• 연속 시간에서 전체 샘플 당 알고리즘의 복잡도는 K(스파이크 수)에 대해 O(K)를 유지하여 희소 또는 고해상도 기록에 효율적이다.
• 스파이크 확률 초모수의 실증 베이지안 학습을 통해 사전에 발화 빈도를 알지 못하더라도 적응형 희소성 모델링이 가능해졌다.