[논문 리뷰] Inferring Neuronal Network Connectivity from Spike Data: A Temporal Datamining Approach

Debprakash Patnaik, P. S. Sastry외 1명|ArXiv.org|2008. 03. 04.

Neural dynamics and brain function참고 문헌 38인용 수 22

한 줄 요약

이 논문은 다중 뉴런 스파이크 트레인 데이터로부터 신경망 연결성을 추론하기 위해 빈번한 에피소드 탐지 기반의 시간적 데이터 마이닝 접근법을 제안한다. 스파이크 이벤트를 기호적 시퀀스로 모델링하고 생물학적으로 타당한 제약 조건 하에서 반복적인 시간 패턴을 탐지함으로써, 기저의 뉴런 역학이 변하더라도 흥분성 연결 구조, 특히 신경전달 사슬(Synfire chains)을 효과적으로 밝혀내며, 다양한 스파iking 모델에서 높은 계산 효율성과 함께 강건성을 입증한다.

ABSTRACT

Understanding the functioning of a neural system in terms of its underlying circuitry is an important problem in neuroscience. Recent developments in electrophysiology and imaging allow one to simultaneously record activities of hundreds of neurons. Inferring the underlying neuronal connectivity patterns from such multi-neuronal spike train data streams is a challenging statistical and computational problem. This task involves finding significant temporal patterns from vast amounts of symbolic time series data. In this paper we show that the frequent episode mining methods from the field of temporal data mining can be very useful in this context. In the frequent episode discovery framework, the data is viewed as a sequence of events, each of which is characterized by an event type and its time of occurrence and episodes are certain types of temporal patterns in such data. Here we show that, using the set of discovered frequent episodes from multi-neuronal data, one can infer different types of connectivity patterns in the neural system that generated it. For this purpose, we introduce the notion of mining for frequent episodes under certain temporal constraints; the structure of these temporal constraints is motivated by the application. We present algorithms for discovering serial and parallel episodes under these temporal constraints. Through extensive simulation studies we demonstrate that these methods are useful for unearthing patterns of neuronal network connectivity.

연구 동기 및 목표

• 고속 다중 뉴런 스파이크 트레인 데이터로부터 기능적 신경 연결성을 추론하는 문제에 대응하기 위해.
• 시간적 데이터 마이닝 기법이 신경 회로에서 생물학적으로 의미 있는 연결 패턴을 효과적으로 드러내는지 탐색하기 위해.
• 기저의 뉴런 역학이나 시냅스 모델에 대한 가정 없이도 적용 가능한 모델 독립적 방법을 개발하기 위해.
• 시간적 제약 조건을 적용한 빈번한 에피소드 마이닝이 신경 시스템에서 순차적 및 병렬 연결 모티프를 탐지하는 데 유용한지 보여주기 위해.
• 노드 수준의 활동 데이터로부터 마이크로회로 구조를 식별하는 데 응용 가능한 데이터 마이닝 기법을 신경정보학 문제에 적용하기 위한 기초를 마련하기 위해.

제안 방법

• 스파이크 트레인 데이터를 각 이벤트가 특정 시점에 뉴런이 스파이크를 일으키는 기호적 이벤트 시퀀스로 모델링한다.
• 빈번한 에피소드 마이닝 프레임워크를 적용하여 스파이크 시퀀스 내에서 반복적인 시간 패턴(에피소드)을 탐지한다.
• 신경생리학적 지연(예: 시냅스 전달 지연)을 기반으로 한 시간적 제약 조건(예: 이벤트 간 간격의 하한 및 상한)을 도입하여 생물학적으로 타당한 패턴에 집중한다.
• 이러한 제약 조건 하에서 순차적 에피소드(예: A→B, 5ms 지연)와 병렬적 에피소드(예: A→B와 A→C가 밀접하게 순차적으로 발생)를 탐지하기 위한 전용 알고리즘을 개발한다.
• 독립된 포isson 과정을 초월하는 근본가설 하에서, 빈번한 에피소드가 우연의 결과인지 여부를 통계적 유의성 검정을 통해 평가한다.
• 다른 입력-반응 역학을 가진 두 가지 다른 뉴런 모델에서 생성한 시뮬레이션된 스파이크 데이터를 사용하여 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 시간적 제약 조건을 적용한 빈번한 에피소드 마이닝이 스파이크 트레인 데이터로부터 흥분성 연결 패턴을 효과적으로 탐지할 수 있는가?
• RQ2 기저의 뉴런 역학(예: 발화율 반응 모델)이 변할 경우, 이 방법이 연결 구조를 얼마나 강건하게 식별할 수 있는가?
• RQ3 빈번한 에피소드만으로 전체 시냅스 연결 그래프를 얼마나 정확히 재구성할 수 있는가? 특히 직접 경로와 간접 경로를 구분할 수 있는가?
• RQ4 이전에 알려진 네트워크 모티프인 신경전달 사슬을 네트워크 구조에 대한 사전 지식 없이 스파이크 데이터에서 탐지할 수 있는가?
• RQ5 약한 뉴런 상호작용을 允허하는 근본가설 하에서, 탐지된 에피소드의 유의성을 평가하기 위해 어떤 통계적 프레임워크가 필요한가?

주요 결과

• 기저의 뉴런 모델이 입력-반응 역학에서 다를지라도, 이 방법은 알려진 연결 패턴(예: 신경전달 사슬)에 대응하는 순차적 및 병렬적 에피소드를 성공적으로 식별한다.
• 빈번한 에피소드 탐지 접근법은 뉴런 반응 모델의 변동에 대해 강건하며, 다양한 시뮬레이션된 발화율 업데이트 메커니즘 간에도 일관된 연결 패턴 탐지 결과를 보인다.
• 이 방법은 콜체르티컬 배양에서의 시뮬레이션 데이터에서 생물학적으로 타당한 연결 모티프(예: 5ms 지연이 있는 A→B, 10ms 지연이 있는 A→C)를 탐지할 수 있다.
• 동일한 빈번한 에피소드 세트를 탐지하더라도, 여러 경로(예: 직접적 A→B→C 대 간접적 경로)가 존재할 경우 정확한 네트워크 토폴로지의 복원이 불가능하므로, 추가적인 구조적 추론 기법이 필요함을 시사한다.
• 알고리즘은 계산적으로 효율적이며 모델 독립적이므로 대규모 스파이크 트레인 분석에 적합하다.
• 이 연구는 시간적 데이터 마이닝이 신경정보학 분야에서의 잠재력을 입증하며, 동적 시스템에서 숨겨진 인과적 체인을 가진 다른 분야에도 광범위하게 적용 가능할 것으로 보인다.