[논문 리뷰] Quantifying how much sensory information in a neural code is relevant for behavior

Giuseppe Pica, Eugenio Piasini외 7명|arXiv (Cornell University)|2017. 12. 06.

Neural dynamics and brain function참고 문헌 40인용 수 33

한 줄 요약

이 논문은 통계역학적 정보이론적 측도인 $I_{\text{II}}(S;R;C)$를 소개하며, 이는 인지적 분류 작업에서 신경 반응 $R$에 의해 인코딩된 감각 정보 중 실제로 행동 선택 $C$에 사용되는 부분을 측정한다. 부분 정보 분해(Partial Information Decomposition, PID)를 활용함으로써 감각 인코딩과 행동 독해 사이의 겹침을 분리하여, 자극 빈도와 반응 시간 등의 다양한 신경 인코딩 방식이 행동에 미치는 영향을 직접 비교할 수 있도록 한다.

ABSTRACT

Determining how much of the sensory information carried by a neural code contributes to behavioral performance is key to understand sensory function and neural information flow. However, there are as yet no analytical tools to compute this information that lies at the intersection between sensory coding and behavioral readout. Here we develop a novel measure, termed the information-theoretic intersection information $I_{II}(S;R;C)$, that quantifies how much of the sensory information carried by a neural response R is used for behavior during perceptual discrimination tasks. Building on the Partial Information Decomposition framework, we define $I_{II}(S;R;C)$ as the part of the mutual information between the stimulus S and the response R that also informs the consequent behavioral choice C. We compute $I_{II}(S;R;C)$ in the analysis of two experimental cortical datasets, to show how this measure can be used to compare quantitatively the contributions of spike timing and spike rates to task performance, and to identify brain areas or neural populations that specifically transform sensory information into choice.

연구 동기 및 목표

• 신경 인코딩에 포함된 감각 정보 중 실제로 행동에 사용되는 부분을 이해하는 데 오랫동안 간과된 격차를 메우기 위해.
• 기존 방법들이 복원 알고리즘이나 시험 평균 성능에 의존하는 데서 비롯되는 한계를 극복하기 위해, 단일 시험에서의 신경-행동 관계를 반영하지 못할 수 있음.
• 단일 시험 수준에서 감각 인코딩과 행동 독해의 교차를 포괄하는 공식적인 정보이론적 측도를 개발하기 위해.
• 스피크 레이트 대비 시계열 등의 다양한 신경 인코딩 특성들이 작업 성과에 기여하는 정도를 정량적으로 비교할 수 있도록 하기 위해.
• 특정하게 감각 자극을 행동 출력으로 변환하는 데 기여하는 뇌 영역이나 신경 집단을 특정하기 위해.

제안 방법

• 저자들은 부분 정보 분해(Partial Information Decomposition, PID) 프레임워크를 사용하여, 자극 $S$와 신경 반응 $R$ 간에 공유되는 정보 중에서 행동 선택 $C$를 안내하는 데도 기여하는 부분을 $I_{\text{II}}(S;R;C)$로 정의한다.
• 이 측도는 다변량 정보 분해에서 유래되며, $I(S;R)$의 일부를 $I(R;C)$와도 공유하는 부분을 분리하여 감각 정보 중 행동에 사용되는 부분을 나타낸다.
• 이 방법은 단일 시험 데이터를 대상으로 하며, 복원 알고리즘에 대한 가정이나 시험 평균화를 피함으로써 모델에 의존하는 편향으로부터 강건하다.
• 이 접근법은 $S$, $R$, $C$의 경험적 공동확률 분포를 사용하여 PID 분해를 통해 $I_{\text{II}}(S;R;C)$를 계산하며, 정보이론에 대한 공식적 일관성을 확보한다.
• 이 프레임워크는 시뮬레이션 데이터와 두 가지 실제 촬영된 대뇌 데이터셋(인지적 분류 작업 기반)에서 검증되었다.
• 이 방법은 정보를 고유, 중복, 상호보완적 성분으로 분해할 수 있으며, $I_{\text{II}}$는 특별히 행동적으로 관련성이 있는 감각 정보를 캡처한다.

실험 결과

연구 질문

• RQ1 신경 반응에 인코딩된 감각 정보 중 실제로 인지 작업에서 행동 선택을 이끄는 데 사용되는 비율은 어느 정도인가?
• RQ2 스피크 시계열이나 스피크 레이트 등의 다양한 신경 인코딩 특성 중에서 어떤 것이 가장 행동적으로 관련성이 높은 감각 정보를 담고 있는가?
• RQ3 특정 복원 알고리즘이나 시험 평균 성능에 의존하지 않고 감각 인코딩과 행동 독해의 교차를 정량적으로 측정할 수 있는가?
• RQ4 감각 자극을 행동 출력으로 변환하는 데 가장 기여하는 뇌 영역이나 신경 집단은 어디인가?
• RQ5 이 측도는 단일 선택 과제를 넘어서 신경망 전반의 정보 흐름을 맵핑하는 데 일반화될 수 있는가?

주요 결과

• 제안된 $I_{\text{II}}(S;R;C)$ 측도는 행동적으로 기능적으로 관련성이 있는 신경 반응 내 감각 정보의 부분을 성공적으로 분리하여 비트 단위로 직접적인 단일 시험 측정을 가능하게 하였다.
• 대뇌 데이터셋에서 $I_{\text{II}}(S;R;C)$는 일부 뇌 영역에서 스피크 시계열이 스피크 레이트보다 훨씬 더 많은 행동적으로 관련성이 있는 정보를 담고 있음을 드러냈다.
• 이 측도는 신경 인코딩을 '작업 성과에 사용되는 감각 정보를 담고 있는 특성들의 집합'으로 재정의할 수 있도록 하여, 단지 정보가 많은 특성들로만 구성된 인코딩 개념을 초월하였다.
• 이 방법은 체감 및 청각 피질의 특정 신경 집단이 감각 자극을 행동 출력으로 변환하는 데 핵심적인 역할을 한다고 특정지었다.
• 이 프레임워크는 모델 가정에 대해 강건했으며, 명시적인 복원이 필요로 하지 않는 완전한 통계적 종속성을 캡처함으로써 전통적인 복원 기반 접근법보다 뛰어난 성능을 보였다.
• 이 측도는 네트워크 수준의 분석으로 확장 가능하여, 다중채널 시스템에서 특정 신경 경로를 따라 정보 흐름을 정량화하는 데도 활용될 수 있다.