[논문 리뷰] Point process models for sequence detection in high-dimensional neural spike trains

Alex H. Williams, Anthony Degleris외 2명|arXiv (Cornell University)|2020. 10. 09.

Animal Vocal Communication and Behavior참고 문헌 34인용 수 13

한 줄 요약

이 논문은 고차원 스파이크 트레인에서 비지도 학습을 통해 신경 순서를 탐지하기 위한 베이지안 포인트 프로세스 모델(PP-Seq)을 제안한다. 순서 발생을 연속 시간 내의 마킹된 포인트 프로세스로 모델링한다. 불확실성 정량화, 연속 시간 모델링, 학습 가능한 시간 왜곡을 가능하게 함으로써, 스파이크 이산화가 필요로 하며 최적화되지 않은 최소 제곱 피팅을 사용하고 불확실성 추정이 없는 기존 방법(예: convNMF)을 초월하여 순서 탐지 정확도를 높이고, 변동하는 지속시간을 가진 순서를 모델링할 수 있다. 이는 노래새 HVC와 쥐 해마 데이터에서 검증되었다.

ABSTRACT

Sparse sequences of neural spikes are posited to underlie aspects of working memory, motor production, and learning. Discovering these sequences in an unsupervised manner is a longstanding problem in statistical neuroscience. Promising recent work utilized a convolutive nonnegative matrix factorization model to tackle this challenge. However, this model requires spike times to be discretized, utilizes a sub-optimal least-squares criterion, and does not provide uncertainty estimates for model predictions or estimated parameters. We address each of these shortcomings by developing a point process model that characterizes fine-scale sequences at the level of individual spikes and represents sequence occurrences as a small number of marked events in continuous time. This ultra-sparse representation of sequence events opens new possibilities for spike train modeling. For example, we introduce learnable time warping parameters to model sequences of varying duration, which have been experimentally observed in neural circuits. We demonstrate these advantages on experimental recordings from songbird higher vocal center and rodent hippocampus.

연구 동기 및 목표

• 기존 방법(예: convNMF)의 한계를 해결하기 위해 스파이크 이산화가 필요로 하며, 최적화되지 않은 최소 제곱 피팅을 사용하고 불확실성 추정이 없는 문제를 해결한다.
• 신경 순서를 시간 내의 희박한 마킹된 사건으로 표현하는 연속 시간, 완전히 확률론적 모델을 개발하여 개별 스파이크의 세밀한 분석을 가능하게 한다.
• 학습 가능한 시간 왜곡 매개변수를 통해 신경 회로에서 관찰되는 실험적 관찰을 반영하여 지속시간이 변하는 순서를 모델링할 수 있도록 한다.
• 선형 차원 축소가 실패하는 고차원 데이터에서 비지도 학습을 통한 신경 순서 탐지를 향상시킨다.
• 다중 전극 기록에서 겹치는, 중복되지 않는 신경 순서 모티프를 발견하기 위한 확장 가능하고 해석 가능한 프레임워크를 제공한다.

제안 방법

• PP-Seq 모델은 순서 사건이 연속 시간 τk에 발생하고, 각 사건이 뉴런별로 고유한 반응 패tern을 시간 지연(offset)과 함께 유발하는 마킹된 포인트 프로세스로 표현한다.
• 스파이크 시간은 강도 λ(t) = λ⁰ + ∑k ∑n wn,r ⋅ f(t - τk - bnr)인 포아송 프로세스로 모델링되며, 여기서 f는 반응 커널이고 bnr는 뉴런별 시간 오프셋이다.
• 순서 강도, 배경 빈도, 반응 폭에 대해 감마 분포를 가지는 계층적 베이지안 사전분포를 사용하여 불확실성 정량화를 가능하게 한다.
• 유연하고 학습 가능한 함수를 통해 시간 인자 h를 왜곡함으로써 새로운 시간 왜곡 메커니즘을 도입하여 지속시간이 변하는 순서를 모델링할 수 있도록 한다.
• 후행 추론은 격자 샘플링과 메트로폴리스-한스터 막대 이동을 조합한 방식으로 수행되며, 혼합과 수렴을 향상시키기 위해 냉각된 MCMC를 사용한다.
• 모델은 합성 데이터에서 ROC 분석과 실제 해마 및 노래새 데이터에서의 초모수 스윕을 통해 평가되며, convNMF와의 비교를 포함한다.

실험 결과

연구 질문

• RQ1 연속 시간, 완전히 베이지안 포인트 프로세스 모델은 스파이크 이산화 및 최소 제곱 기반 방법(예: convNMF)보다 신경 순서 탐지에서 뛰어난 성능을 보일 수 있는가?
• RQ2 모델은 불확실성 추정을 정량화하면서도 순서 사건 발생 시간과 강도를 정확히 복원할 수 있는가?
• RQ3 학습 가능한 시간 왜곡 매개변수의 포함이 신경 데이터에서 관찰되는 지속시간이 변하는 순서의 모델링을 향상시키는가?
• RQ4 선형 방법이 순서 역학을 포착하지 못하는 실제 고차원 신경 기록에서 모델의 성능은 어떠한가?
• RQ5 시간 이동으로 인한 모델의 약한 식별성은 성능에 어떤 영향을 미치며, 평가 시 이를 어떻게 완화할 수 있는가?

주요 결과

• 최적의 시간 이동 보정 후, 합성 데이터에서 PP-Seq는 ROC 곡선 아래 면적에서 convNMF보다 15% 높은 성능을 보였다.
• 노래새 HVC 데이터에서 PP-Seq는 겹치는 신경 순서를 성공적으로 포착하여 알려진 행동 및 해부학적 제약 조건과 일치하는 순서 모티프를 드러냈다.
• 쥐 해마 기록에서는 특히 저SNR 조건에서 convNMF보다 높은 정밀도로 복귀 이벤트를 탐지하였다.
• 학습 가능한 시간 왜곡 도입으로 모델은 지속시간이 변하는 순서에 적응할 수 있었으며, 실험 데이터에서 피팅 및 해석 가능성 향상에 기여하였다.
• 후행 분포에서 유도된 불확실성 추정은 순서 사건 발생 시간과 강도에 대해 신뢰할 수 있는 신뢰구간을 제공하여 강력한 추론을 가능하게 하였다.
• 초모수 스윕 결과, 모델은 순서 강도, 배경 빈도, 반응 폭의 변화에 대해 강건하며 다양한 매개변수 설정에서 안정된 성능을 유지하였다.