[논문 리뷰] Building population models for large-scale neural recordings: opportunities and pitfalls

Cole Hurwitz, Nina Kudryashova외 2명|arXiv (Cornell University)|2021. 02. 02.

Neural dynamics and brain function참고 문헌 109인용 수 34

한 줄 요약

대규모 신경 기록에 대한 완전 관찰 모델과 잠재 변수 모델의 비교 리뷰로, 방법, 한계 및 각 접근법이 가장 유익한 시점을 상세히 다룬다.

ABSTRACT

Modern recording technologies now enable simultaneous recording from large numbers of neurons. This has driven the development of new statistical models for analyzing and interpreting neural population activity. Here we provide a broad overview of recent developments in this area. We compare and contrast different approaches, highlight strengths and limitations, and discuss biological and mechanistic insights that these methods provide.

연구 동기 및 목표

• 고채널 수 기록에서 인구 신경 활동의 모델 기반 분석 필요성의 동기를 부여한다.
• 완전 관찰 및 잠재 변수 모델링 프레임워크를 조사하여 그 가정, 강점 및 한계를 이해한다.
• 대규모 데이터 세트에서 데이터 추출, 스파이크 정렬 및 모델 적합에 대한 실용적 고려를 강조한다.
• 이 모델들이 생물학적 통찰을 어떻게 제시하고 디코딩 및 정보 이론 분석을 어떻게 안내하는지 논의한다.

제안 방법

• SpikeInterface와 기준 벤치마크를 통한 스파이크 추출 및 정렬 고려사항 검토.
• 완전 관찰 모델(MaxEnt, Dichotomized Gaussian, GLM, Copula 기반 모델)의 확장성, 해석 가능성 및 적용 가능성 비교.
• LFADS, GPFA, GPFADS 등 잠재 변수 모델(상태 공간 및 GP 기반)과 관련 접근법의 다이나믹스, 매핑 및 관찰 모델에 대한 강조점을 포함한 논의.
• 해석 가능성 향상 및 잠재 다이내믹 제약을 위한 외부 공변량 및 행동의 통합 방법 개요.
• 파라미터 식별성, 불확실성 정량화 및 모델 선택에 대한 지침 제공.
• 대규모 신경 인구 모델링의 실용적 강점, 한계 및 향후 방향 요약.

Figure 1: The process of extracting the activity of single neurons with a spike sorter is error-prone with different sorters having different failure modes. It is, therefore, recommended to make use of different sorters before performing model-based analysis. A first method is to perform the same an

실험 결과

연구 질문

• RQ1 대규모 신경 기록에 대한 완전 관찰 모델과 잠재 변수 인구 모델 간의 트레이드오프는 무엇인가?
• RQ2 다양한 모델이 고차원 결합 활동을 어떻게 다루며 어떤 생물학적 또는 기작적 통찰을 제공하는가?
• RQ3 이 모델들에서 파라미터 식별성, 데이터 요구사항 및 계산적 실현 가능성과 관련한 한계는 무엇인가?
• RQ4 외부 공변량이나 행동과 관련된 잠재 궤적이 해석 가능성과 디코딩 성능을 개선하는 시나리오는 어떤 것이 있는가?
• RQ5 스파이크 정렬의 불확실성과 데이터세트 크기를 고려할 때 결과를 어떻게 견고하게 검증할 수 있는가?

주요 결과

• 완전 관찰 모델은 전체 결합 활동 분포에 접근할 수 있어 디코딩 및 정보 측정 값을 개선할 수 있지만, 대규모 인구에서 파라미터 식별성 및 계산적 확장성의 한계가 자주 나타난다.
• 잠재 변수 모델은 인구 다이나믹스의 저차원 표현을 제공하고 시간적 구조와 불확실성 정량화를 가능하게 하지만, 저차원성에 대한 가정에 의존하고 다양한 변동성 원인을 혼합할 수 있다.
• GLM 및 Copula 기반 접근은 대규모 데이터 세트에 확장 가능하며 외부 입력이나 비선형 의존성을 모델링할 수 있지만, MaxEnt 변형은 원리적으로 최대 엔트로피를 설명하지만 계산적으로 비용이 많이 들 수 있다.
• 비선형 상태 공간 모델 및 RNN 기반 접근(예: LFADS)은 복잡한 다이나믹스를 포착할 수 있지만 일반적으로 계산 비용이 높고 해석이 어렵다.
• GP 기반 잠재 모델(예: GPFA, GPFADS)은 불확실성 추정과 원칙적 모델 선택을 제공하지만 선형 임베딩 이상의 실제 신경 다이나믹스를 포착하는 능력을 입증해야 한다.
• 실용적으로는 여러 스파이크 정렬 도구를 사용하거나 합의 정렬을 통해 다운스트림 모델링의 거짓 양성 및 편향을 줄일 수 있으며, 외부 변수 모델링은 해석 가능성과 강건한 신경 궤적의 발견을 개선한다.

Figure 2: Fully observed models construct a joint distribution of population activity with various levels of detail. The horizontal arrow orders the methods according to their expressivity (i.e. how much dependence structure the method can account for).