[논문 리뷰] Comparing high-dimensional neural recordings by aligning their low-dimensional latent representations

Max Dabagia, Konrad P. Körding외 1명|arXiv (Cornell University)|2022. 05. 17.

Neural dynamics and brain function인용 수 7

한 줄 요약

이 논문은 고차원 신경 기록 간의 시간, 개인, 실험 조건 간 비교를 가능하게 하기 위해 저차원 잠재 표현을 정렬함으로써 상응성 없는 비교를 가능하게 하는 방법을 제안한다. 선형 동적 시스템과 행렬 분해와 같은 모델을 통해 공유된 잠재 구조를 활용함으로써, 동일한 뉴런이나 기록이 필요 없이도 데이터 기반으로 신경 인구 활동을 안정적으로 비교할 수 있다.

ABSTRACT

Many questions in neuroscience involve understanding of the responses of large populations of neurons. However, when dealing with large-scale neural activity, interpretation becomes difficult, and comparisons between two animals, or across different time points becomes challenging. One major challenge that we face in modern neuroscience is that of correspondence, e.g. we do not record the exact same neurons at the exact same times. Without some way to link two or more datasets, comparing different collections of neural activity patterns becomes impossible. Here, we describe approaches for leveraging shared latent structure across neural recordings to tackle this correspondence challenge. We review algorithms that map two datasets into a shared space where they can be directly compared, and argue that alignment is key for comparing high-dimensional neural activities across times, subsets of neurons, and individuals.

연구 동기 및 목표

• 신경 기록이 조건이나 개인 간에 일관되게 기록되지 않을 때 비교하는 데 도전하는 데 목적을 두다.
• 뉴런 간 상응성 없이도 고차원 신경 활동 패턴을 직접 비교할 수 있도록 하는 것.
• 신경 인구 활동의 잠재 표현을 정렬하는 프레임워크를 개발하여 데이터 간 공유되는 역학을 드러내는 것.
• 시간에 따라 신경 분포가 변화하는 데 대응하여 뇌-기계 인터페이스에서의 신경 디코딩을 향상시키는 것.
• 건강과 질병 상태에서 일관된 잠재 신경 상태 비교를 통해 회로 수준의 변화를 탐지하는 데 기여하는 것.

제안 방법

• 선형 동적 시스템(LDS) 또는 기타 분해 기법을 통해 저차원 잠재 요인을 사용해 신경 인구 활동을 모델링한다.
• 공유된 잠재 공간을 도출하기 위해 두 개 이상의 신경 기록의 잠재 표현을 공 correspondence-불변 목적 함수의 최적화를 통해 정렬한다.
• 행렬 완성과 다양체 기반 모델을 사용해 뉴런 간 겹침이 없거나 일부 부족한 뇌 영역의 데이터를 처리한다.
• 영역 간 신경 활동 분포의 변화를 관리하기 위해 도메인 적응 및 부분 정렬 기법을 적용한다.
• 프로크루스테스 분석과 공통 상관관계와 같은 정렬 메트릭을 사용해 잠재 공간을 비교하면서 내재된 역학을 유지한다.
• 복잡한 비선형 신경 역학을 표현하고 서로 다른 뇌 영역의 데이터를 연결하기 위해 다중 다양체 모델을 통합한다.

실험 결과

연구 질문

• RQ1 데이터셋 간에 일관된 뉴런 대응 관계가 없을 때 고차원 신경 기록을 어떻게 비교할 수 있는가?
• RQ2 시간, 개인, 실험 조건 간에 신경 활동을 비교하기 위해 안정적이고 공유 가능한 저차원 잠재 구조로 작용할 수 있는 것은 무엇인가?
• RQ3 잠재 표현 정렬이 뇌-기계 인터페이스에서 신경 디코딩의 강건성에 얼마나 기여하는가?
• RQ4 기록이 완전하지 않거나 뉴런 집합이 겹치지 않을 경우 신경 역학을 어떻게 모델링하고 비교할 수 있는가?
• RQ5 잠재 공간 정렬이 신경계 및 신경 퇴행성 질환에서 회로 수준의 변화 탐지에 미치는 영향은 무엇인가?

주요 결과

• 잠재 공간 정렬을 통해 동일한 뉴런이 기록되지 않은 데이터셋 간에도 직접적인 신경 기록 비교가 가능해진다.
• 기록 간 공유되는 잠재 요인은 시간과 개인 간에 안정적이며, 신경 역학 비교의 신뢰성을 높인다.
• 신규 데이터에 대한 재학습 없이도 신경 활동 분포의 변화에 대응함으로써 신경 디코딩의 강건성을 향상시킨다.
• 행렬 완성과 다각체 기반 모델은 겹치지 않는 뉴런 집단과 부분 기록에서의 데이터 통합을 가능하게 한다.
• 잠재 표현 정렬은 건강과 질병 상태에서 일관된 뉴런 회로 변화 패턴을 드러내어 새로운 탐색 경로를 제공한다.
• 오픈소스로 제공되는 정렬 방법 구현체(예: DAD, HiWA)가 존재하여 재현성과 신경과학 분야에서의 광범위한 도입을 지원한다.