[논문 리뷰] The neural ring: using algebraic geometry to analyze neural codes

Nora Youngs|arXiv (Cornell University)|2014. 09. 08.

Topological and Geometric Data Analysis참고 문헌 25인용 수 4

한 줄 요약

이 논문은 대수기하학을 사용하여 신경 코드의 전체 조합적 구조를 코딩하는 대수적 구조인 신경 링과 신경 아이디얼을 도입한다. 이러한 대상들을 표준형으로 표현함으로써, 저자들은 신경 활동 패tern들로부터 순수하게 수용 영역의 조직과 刺자자 공간의 특징을 유추할 수 있는 방법을 제공하며, 신경 코드 맵과 신경 링 준동형사상 사이의 전단사 관계를 수립한다.

ABSTRACT

Neurons in the brain represent external stimuli via neural codes. These codes often arise from stimulus-response maps, associating to each neuron a convex receptive field. An important problem confronted by the brain is to infer properties of a represented stimulus space without knowledge of the receptive fields, using only the intrinsic structure of the neural code. How does the brain do this? To address this question, it is important to determine what stimulus space features can - in principle - be extracted from neural codes. This motivates us to define the neural ring and a related neural ideal, algebraic objects that encode the full combinatorial data of a neural code. We find that these objects can be expressed in a "canonical form" that directly translates to a minimal description of the receptive field structure intrinsic to the neural code. We consider the algebraic properties of homomorphisms between neural rings, which naturally relate to maps between neural codes. We show that maps between two neural codes are in bijection with ring homomorphisms between the respective neural rings, and define the notion of neural ring homomorphism, a special restricted class of ring homomorphisms which preserve neuron structure. We also find connections to Stanley-Reisner rings, and use ideas similar to those in the theory of monomial ideals to obtain an algorithm for computing the canonical form associated to any neural code, providing the groundwork for inferring stimulus space features from neural activity alone.

연구 동기 및 목표

• 자극 공간의 어떤 특징들이 수용 영역에 대한 사전 지식 없이도 신경 코드로부터 유추될 수 있는가를 규명하는 것.
• 신경 코드의 전체 조합적 구조를 포괄하는 대수적 도구를 개발하는 것.
• 신경 코드 맵과 그에 대응하는 신경 링 준동형사상 사이의 대응 관계를 수립하는 것.
• 단항 아이디얼 이론을 사용하여 신경 코드의 표준형을 계산하는 알고리즘적 프레임워크를 제공하는 것.
• 신경 코드를 스탠리-라이즈너 링과 연결하여 더 깊이 있는 대수적 분석을 가능하게 하는 것.

제안 방법

• 신경 코드의 조합적 자료를 코딩하는 대수적 객체로서 신경 링과 신경 아이디얼을 정의한다.
• 신경 링을 표준형으로 표현하여, 코드에 내재된 최소 수용 영역 구조를 직접 반영하도록 한다.
• 단항 아이디얼 이론과 스탠리-라이즈너 링 이론의 기법을 사용하여 표준형을 분석하고 계산한다.
• 신경 코드 간의 맵과 그에 대응하는 신경 링 준동형사상 사이의 전단사 관계를 수립하며, 이는 뉴런 수준의 구조를 유지한다.
• 신경 링 준동형사를 신경 코드의 조합적 프레임워크를 존중하는 제한된 클래스의 링 준동형사상으로 특성화한다.
• 대수기하학적 방법을 사용하여 주어진 모든 신경 코드의 표준형을 계산하는 알고리즘을 개발한다.

실험 결과

연구 질문

• RQ1 수용 영역에 대한 지식 없이도 신경 코드로부터 어떤 자극 공간의 특징을 유추할 수 있는가?
• RQ2 대수기하학은 어떻게 신경 코드의 조합적 구조를 표현하고 분석하는 데 사용될 수 있는가?
• RQ3 신경 코드 맵과 그에 대응하는 링 준동형사상 사이의 관계는 무엇인가?
• RQ4 알고리즘적 기법을 사용하여 신경 코드의 표준형을 체계적으로 계산할 수 있는가?
• RQ5 신경 링은 스탠리-라이즈너 링과 같은 기존의 대수적 구조와 어떻게 관련이 있는가?

주요 결과

• 신경 링과 신경 아이디얼은 신경 코드의 조합적 구조를 완전히 코딩하여, 신경 표현의 대수적 분석을 가능하게 한다.
• 신경 링의 표준형은 코드에 내재된 기초적인 수용 영역 구조를 최소화하고 직접적으로 묘사한다.
• 신경 코드 간의 맵은 신경 링 준동형사상과 전단사 관계에 있으며, 이는 코드 변환과 링 수준의 매핑 사이의 구조적 대응을 수립한다.
• 단항 아이디얼 이론의 기법을 사용하여 어떤 신경 코드의 표준형을 계산하는 알고리즘이 도출되었다.
• 신경 링 구성은 스탠리-라이즈너 링과 공식적인 연결을 수립하여, 신경 코드 분석을 위한 대수적 프레임워크를 풍부하게 한다.
• 이 프레임워크는 신경 링의 대수적 불변량을 활용하여, 원칙적으로 신경 활동 패턴만으로도 자극 공간의 특징을 추론할 수 있도록 한다.