[논문 리뷰] LeMoNADe: Learned Motif and Neuronal Assembly Detection in calcium imaging videos

Elke Kirschbaum, Manuel Haußmann외 7명|arXiv (Cornell University)|2018. 06. 26.

Neural dynamics and brain function참고 문헌 60인용 수 6

한 줄 요약

LeMoNADe는 스파ike 추출 또는 세포 분할을 필요로 하지 않고 칼슘 이미징 영상에서 직접 신경세포 활성화 모티프와 어셈블리들을 탐지하는 딥러닝 프레임워크이다. 베르누이 분포를 가진 잠재 변수를 사용하고, 군무-소프트맥스 재구성 기법을 적용한 변동형 오토에인코더를 통해 엔드 투 엔드로 미분 가능한 모티프 탐지가 가능하며, 합성 데이터에서 최신 기술 수준의 성능을 달성하고 실제 해마 조각 데이터에서 생물학적으로 타당한 모티프를 발견한다.

ABSTRACT

Neuronal assemblies, loosely defined as subsets of neurons with reoccurring spatio-temporally coordinated activation patterns, or "motifs", are thought to be building blocks of neural representations and information processing. We here propose LeMoNADe, a new exploratory data analysis method that facilitates hunting for motifs in calcium imaging videos, the dominant microscopic functional imaging modality in neurophysiology. Our nonparametric method extracts motifs directly from videos, bypassing the difficult intermediate step of spike extraction. Our technique augments variational autoencoders with a discrete stochastic node, and we show in detail how a differentiable reparametrization and relaxation can be used. An evaluation on simulated data, with available ground truth, reveals excellent quantitative performance. In real video data acquired from brain slices, with no ground truth available, LeMoNADe uncovers nontrivial candidate motifs that can help generate hypotheses for more focused biological investigations.

연구 동기 및 목표

• 칼슘 이미징 영상에서 직접 반복적인 시공간적 신경세포 활성화 패턴(모티프)를 탐지하는 방법을 개발하는 것.
• 세포 분할 및 스파이크 시간 추출과 같은 오류가 발생하기 쉬운 중간 단계를 회피하는 것.
• 딥 생성 모델링을 활용해 엔드 투 엔드로 미분 가능한 모티프 탐지 기능을 제공하는 것.
• 긴 칼슘 이미징 영상에 대한 확장 가능하고 효율적인 학습 기반을 제공하는 것.
• 기본 진실이 있는 합성 데이터에서 방법을 검증하고 실제 생물학적 데이터셋에 적용하여 가설 생성을 위한 것.

제안 방법

• LeMoNADe는 희박하고 날카운 피크를 띠는 모티프 활성화를 모델링하기 위해 베르누이 사전 확률을 사용하는 이산 확률적 블로킹을 갖춘 변동형 오토에인코더(VAE)를 사용한다.
• 이중 이산 잠재 변수를 통해 기울기 기반 최적화를 가능하게 하기 위해 군무-소프트맥스 재구성 기법을 사용한다.
• 재구성 및 정규화 간 균형을 맞추기 위해 학습 가능한 β 계수를 사용하는 β-VAE 손실을 도입한다.
• 모티프는 디코더 필터에서 직접 추출되며, 활성화 시간은 잠재 공간 표현에서 유도된다.
• 공유된 잠재 코드를 가진 겹치는 세그먼트로 나누어 임의로 긴 칼슘 이미징 영상 처리가 가능한 새로운 학습 전략을 구현한다.
• 프레임워크는 재현 가능성과 커뮤니티 활용을 위해 파이토치로 구현되어 GitHub에 공개되어 있다.

실험 결과

연구 질문

• RQ1 딥 생성 모델이 스파이크 추출 없이 칼슘 이미징 영상에서 생물학적으로 관련성이 있는 신경세포 활성화 모티프를 직접 탐지할 수 있는가?
• RQ2 스파이크 시간 행렬을 사전 추출하는 데 의존하는 최신 기술 수준의 모티프 탐지 방법과 비교해 LeMoNADe의 성능은 어떠한가?
• RQ3 온도 파라미터(â)와 β-VAE 계수와 같은 하이퍼파rameter의 영향은 모티프 탐지 품질에 어떤가?
• RQ4 기본 진실이 없는 실제 칼슘 이미징 데이터에서 LeMoNADe는 비틀림이 있고 재현 가능한 모티프를 발견할 수 있는가?
• RQ5 저 SNR 및 칼슘 동역학으로 인한 잘못된 신호와 잡음에 대해 이 방법은 얼마나 강건한가?

주요 결과

• 기본 진실이 있는 합성 칼슘 이미징 데이터에서 LeMoNADe는 스파이크 시간 매트릭스가 필요한 최신 기술 수준의 모티프 탐지 방법과 유사한 성능을 달성했다.
• 실제 해마 조각 칼슘 이미징 데이터에서 LeMoNADe는 비틀림이 있고 반복적인 시공간적 활성화 패턴을 성공적으로 탐지하여 생물학적으로 타당한 신경세포 어셈블리가 존재할 가능성을 시사했다.
• â 및 β_KL의 하이퍼파ram터 튜닝은 모티프 품질에 큰 영향을 미쳤으며, 최적의 값은 깔끔하고 해석 가능한 모티프를 생성하면서 노이즈에 대한 과적합을 방지했다.
• 군무-소프트맥스 재구성 기법을 통해 이산 잠재 변수를 통해 효과적인 역전파가 가능해졌고, 낮은 분산으로 엔드 투 엔드 학습이 가능했다.
• 모델는 계산 효율성과 확장성을 입증했으며, 세그먼트 기반 학습 전략을 통해 긴 칼슘 이미징 영상 처리가 가능했다.
• 재구성 영상 및 모티프 겹침 시각화 결과는 LeMoNADe가 데이터에 존재하는 의미 있는 시공간 패턴을 잘 포착하고 있음을 확인했다.