[논문 리뷰] Scalable Inference for Neuronal Connectivity from Calcium Imaging

Alyson K. Fletcher, Sundeep Rangan|arXiv (Cornell University)|2014. 09. 01.

Neural dynamics and brain function참고 문헌 23인용 수 19

한 줄 요약

이 논문은 대규모 신경 회로에서 자극 시간과 연결 가중치를 효율적으로 추정하기 위해 근사 메시지 전달(AMP)과 순환 신뢰도 전파(Loopy BP)를 융합하여 확장 가능한 베이지안 추론 방법을 제안한다. 이 방법은 연결 행렬을 통해 선형으로 연결된 각 뉴런에 대해 스칼라 동적 모델로 시스템을 인과적으로 분해함으로써, 일차원 필터링과 행렬 연산을 통해 빠른 계산을 가능하게 하며, MCMC 기반 방법에 비해 훨씬 빠른 실행 시간으로 높은 정확도를 달성한다.

ABSTRACT

Fluorescent calcium imaging provides a potentially powerful tool for inferring connectivity in neural circuits with up to thousands of neurons. However, a key challenge in using calcium imaging for connectivity detection is that current systems often have a temporal response and frame rate that can be orders of magnitude slower than the underlying neural spiking process. Bayesian inference methods based on expectation-maximization (EM) have been proposed to overcome these limitations, but are often computationally demanding since the E-step in the EM procedure typically involves state estimation for a high-dimensional nonlinear dynamical system. In this work, we propose a computationally fast method for the state estimation based on a hybrid of loopy belief propagation and approximate message passing (AMP). The key insight is that a neural system as viewed through calcium imaging can be factorized into simple scalar dynamical systems for each neuron with linear interconnections between the neurons. Using the structure, the updates in the proposed hybrid AMP methodology can be computed by a set of one-dimensional state estimation procedures and linear transforms with the connectivity matrix. This yields a computationally scalable method for inferring connectivity of large neural circuits. Simulations of the method on realistic neural networks demonstrate good accuracy with computation times that are potentially significantly faster than current approaches based on Markov Chain Monte Carlo methods.

연구 동기 및 목표

• 칼슘 영상 데이터에서 신경 회로 연결성을 위한 베이지안 추론의 계산 병목 현상을 해결하기 위해, 기존의 EM 방법이 고차원 상태 추정으로 인해 느리다는 점을 고려한다.
• 대규모 신경 집단에서 계산 시간을 크게 줄이면서도 정확도를 유지하는 MCMC 기반 추론에 대한 확장 가능한 대안을 개발한다.
• 신경 연결의 선형 구조와 칼슘 동역학의 인과적 성질을 활용하여, 뉴런 간 효율적인 메시지 전달을 가능하게 한다.
• 근사 추론 기법을 사용하여 시간적으로 블러링된 칼슘 영상 데이터에서 프레임을 초월한 고해상도 자극 시간 추정을 가능하게 한다.

제안 방법

• 모델은 각 뉴런을 일阶 자기회귀 모델을 사용하는 스칼라 레이크리프 인테그레이트-앤드-파이어(LIF) 과정으로 모델링한다.
• 공동 신경 상태를 각 뉴런당 독립적인 스칼라 시스템으로 분해하며, 연결 행렬 W를 통해 선형 상호작용을 표현한다.
• LIF 및 칼슘 동역학에 대해 요소 노드에서 순환 신뢰도 전파를 적용하며, 효율적인 상태 추정을 위해 일차원 전진-역행 필터를 사용한다.
• 선형 결합 항목(W)에 대해서는 근사 메시지 전달(AMP)을 사용하며, 가우시안 및 이차 근사 근사를 통해 계산을 단순화한다.
• 하이브리드 AMP-BP 프레임워크는 반복 업데이트를 가능하게 하며, 각 반복마다 2N개의 스칼라 필터(각 뉴런의 전압 및 자극 상태당 하나)와 W와의 행렬-벡터 곱셈을 수행한다.
• 고차원 비선형 추정 문제를 저차원으로 분해하고 병렬 처리 가능한 연산으로 변환함으로써 확장 가능한 추론이 가능해진다.

실험 결과

연구 질문

• RQ1 근사 메시지 전달(AMP)과 순환 신뢰도 전파(Loopy BP)를 효과적으로 융합하여 칼슘 영상 데이터에서 대규모 신경망의 상태 추정을 가속화할 수 있는가?
• RQ2 칼슘 영상의 시간적 블러링 문제를 어떻게 극복하여, 분할된 프레임보다 더 높은 정밀도로 자극 시간을 추정할 수 있는가?
• RQ3 EM 기반 추론에서 전통적인 MCMC나 깁스 샘플링에 비해 하이브리드 AMP-BP 접근법이 가지는 계산적 이점은 무엇인가?
• RQ4 신경 연결의 선형 구조를 얼마나 잘 활용하여 비선형 동역학 시스템의 추론 복잡도를 줄일 수 있는가?
• RQ5 수천 개의 뉴런에까지 확장 가능한 이 방법이 높은 정확도를 유지할 수 있는가?

주요 결과

• 제안된 하이브리드 AMP-BP 방법은 MCMC 기반 EM 방법에 비해 훨씬 빠른 계산 시간으로 칼슘 영상 데이터로부터 뉴런 간 연결성과 자극 시간을 정확하게 추론한다.
• 실제 신경망에 대한 시뮬레이션 결과, 낮은 프레임 레이트와 높은 노이즈 조건에서도 진짜 연결 행렬 W를 높은 정확도로 재구성할 수 있음을 입증했다.
• 계산 시간이 네트워크 크기에 따라 유리하게 스케일링되며, MCMC 방법이 비현실적이게 되는 수천 개의 뉴런을 포함한 네트워크에서도 추론이 가능하다.
• 신경 시스템의 인과적 구조를 활용하여 2N개의 병렬 일차원 필터를 통해 상태 추정을 수행함으로써 계산 복잡도를 극적으로 감소시켰다.
• 초기 연결성 추정을 위한 희소 프로빗 회귀를 사용함으로써, 전체 추론 파이프라인을 지원하는 강력하고 빠른 초기화 단계를 확보했다.
• 프레임워크는 일반적이며, 생물학적 제약 조건이나 노이즈 모델을 모듈러한 업데이트 방식으로 쉽게 확장할 수 있다.