[논문 리뷰] The Future of Data Analysis in the Neurosciences

Danilo Bzdok, B.T. Thomas Yeo|arXiv (Cornell University)|2016. 08. 05.

Neural dynamics and brain function참고 문헌 83인용 수 6

한 줄 요약

이 논문은 신경과학 데이터 분석의 전환적 전환을 비전으로 제시하며, 현대 기술에서 유래하는 증가하는 복잡성과 규모를 다루기 위해 더 정교한 비모수적이고 생성적 모델을 주장한다. 이러한 모델은 빈도주의적 및 베이지안 추론을 통합하여, 건강한 뇌와 병적 뇌에서의 대규모 고해상도 데이터셋으로부터 신경생물학적 통찰을 도출하는 데 중심적인 통계적 추론을 강조한다.

ABSTRACT

Neuroscience is undergoing faster changes than ever before. Over 100 years our field qualitatively described and invasively manipulated single or few organisms to gain anatomical, physiological, and pharmacological insights. In the last 10 years neuroscience spawned quantitative big-sample datasets on microanatomy, synaptic connections, optogenetic brain-behavior assays, and high-level cognition. While growing data availability and information granularity have been amply discussed, we direct attention to a routinely neglected question: How will the unprecedented data richness shape data analysis practices? Statistical reasoning is becoming more central to distill neurobiological knowledge from healthy and pathological brain recordings. We believe that large-scale data analysis will use more models that are non-parametric, generative, mixing frequentist and Bayesian aspects, and grounded in different statistical inferences.

연구 동기 및 목표

• 현대 기술에서 유래하는 대규모 고해상도 신경과학 데이터셋을 분석하는 데 증가하는 도전 과제를 다루기 위해.
• 복잡한 데이터에서 의미 있는 신경생물학적 지식을 도출하는 데에 간과되고 있는 통계적 추론의 역할을 부각하기 위해.
• 데이터의 풍부함을 수용할 수 있는 더 유연하고 모델 기반의 접근 방식으로 데이터 분석 관행의 범주 전환을 옹호하기 위해.
• 기계학습과 통계적 추론 방법을 통합하여 신경과학 연구에서 신뢰성과 해석 가능성의 향상을 위해.
• 빅데이터 시대에 데이터 분석을 중심적인 신경생물학적 발견의 추진력으로 위치시키기 위해.

제안 방법

• 복잡하고 고차원적인 신경과학 데이터를 처리하기 위해 강한 모수적 가정 없이도 가능한 비모수적 모델을 제안한다.
• 다양한 신경생물학적 가정 하에서 데이터를 시뮬레이션하는 생성적 모델을 도입하여, 기저 메커니즘에 대한 추론을 가능하게 한다.
• 객관성과 불확실성 정량화를 균형 있게 유지하기 위해 빈도주의적 및 베이지안 추론을 결합한다.
• 모델의 통계적 원칙에 기반한 기반을 강조하여 다양한 데이터셋에서의 강건성과 재현 가능성을 확보한다.
• 반복적인 모델 개발 및 검증을 지원하기 위해 확장 가능한 계산 프레임워크의 사용을 장려한다.
• 모델 선택 및 추론 과정에서의 방법론적 투명성과 재현 가능성의 중요성을 강조한다.

실험 결과

연구 질문

• RQ1 통계적 추론은 대규모 신경과학 데이터 분석에 체계적으로 통합되어 신뢰성을 향상시킬 수 있는가?
• RQ2 비모수적 및 생성적 모델은 현대 영상 및 전기생리학 데이터의 복잡성과 해상도에 어떻게 기여하는가?
• RQ3 빈도주의적 및 베이지안 추론은 어떻게 조합되어 모델의 해석 가능성과 강건성을 향상시킬 수 있는가?
• RQ4 데이터 분석 관행은 신경과학 데이터의 양과 해상도가 기하급수적으로 증가하는 것과 맞추어가기 위해 어떻게 진화해야 하는가?
• RQ5 데이터가 풍부한 신경과학이 타당하고 일반화 가능한 신경생물학적 통찰을 이끌어내기 위해 필요한 방법론적 전환은 무엇인가?

주요 결과

• 제약 없는 가정 없이도 복잡하고 고차원적인 신경과학 데이터를 분석하기 위해 비모수적 및 생성적 모델의 통합이 필수적이다.
• 빈도주의적 및 베이지안 추론을 결합함으로써 데이터가 풍부한 신경과학 맥락에서 더 강건하고 해석 가능한 통계적 추론이 가능해진다.
• 통계적 추론은 원시적인 신경생물학적 데이터를 실행 가능한 신경과학 지식으로 전환하는 데 중심적인 기둥으로 부상하고 있다.
• 오버피팅을 방지하고 대규모 연구에서 재현 가능성을 확보하기 위해 모델 기반의 통계적으로 기반한 분석으로의 전환은 필수적이다.
• 미래의 신경과학 데이터 분석은 빅데이터에서 신뢰할 수 있는 발견을 지원하기 위해 방법론적 철저성과 투명성을 우선시해야 한다.
• 이 논문은 현대의 데이터 집약적인 신경과학 연구의 요구에 부응하기 위해 데이터 분석 관행을 진화시키기 위한 개념적 프레임워크를 수립한다.