[논문 리뷰] Unsupervised learning of control signals and their encodings in $ extit{C. elegans}$ whole-brain recordings

Charles Fieseler, Manuel Zimmer외 1명|arXiv (Cornell University)|2020. 01. 23.

Neural dynamics and brain function참고 문헌 5인용 수 4

한 줄 요약

이 논문은 전체 뇌 칼슘 이미징 데이터로부터 C. elegans의 전체 뇌 신경 동역학을 모델링하기 위해 비지도 학습을 통한 희소 제어 신호를 갖는 글로벌 선형 동적 시스템을 제안한다. 동적 모드 분해법에 제어 기능을 통합한 DMDc를 사용하여 비선형 집단 신경 동역학을 소수의 핵심 뉴런이 주도하는 선형 진화로 재구성하며, 행동 전환과 관련된 제어 신호를 시간 지연을 고려한 예측 인코딩 방식으로 규명한다.

ABSTRACT

Recent whole brain imaging experiments on $ extit{C. elegans}$ has revealed that the neural population dynamics encode motor commands and stereotyped transitions between behaviors on low dimensional manifolds. Efforts to characterize the dynamics on this manifold have used piecewise linear models to describe the entire state space, but it is unknown how a single, global dynamical model can generate the observed dynamics. Here, we propose a control framework to achieve such a global model of the dynamics, whereby underlying linear dynamics is actuated by sparse control signals. This method learns the control signals in an unsupervised way from data, then uses $ extit{ Dynamic Mode Decomposition with control}$ (DMDc) to create the first global, linear dynamical system that can reconstruct whole-brain imaging data. These control signals are shown to be implicated in transitions between behaviors. In addition, we analyze the time-delay encoding of these control signals, showing that these transitions can be predicted from neurons previously implicated in behavioral transitions, but also additional neurons previously unidentified. Moreover, our decomposition method allows one to understand the observed nonlinear global dynamics instead as linear dynamics with control. The proposed mathematical framework is generic and can be generalized to other neurosensory systems, potentially revealing transitions and their encodings in a completely unsupervised way.

연구 동기 및 목표

• 조각별 근사치 없이 C. elegans의 비선형 뉴런 집단 동역학을 포괄하는 글로벌 선형 동적 모델을 개발하기 위해.
• 전진, 역행, 회전과 같은 이산 행동 간 전환을 이끄는 희소하고 생물학적으로 해석 가능한 제어 신호를 규명하기 위해.
• 이러한 제어 신호가 신경 활동에 어떻게 시간 지연된 예측력을 지닌 채로 인코딩되어 있는지 이해하기 위해.
• 다른 신경감각 시스템에 적용 가능한 데이터 기반의 비지도 프레임워크를 제공하기 위해.

제안 방법

• 전체 뇌 칼슘 이미징 데이터에 동적 모드 분해법에 제어 기능을 통합한 DMDc를 적용하여 제어 입력이 있는 글로벌 선형 동적 시스템을 학습한다.
• 희소 변수 선택을 비지도 방식으로 사용하여 행동 전환에 기여하는 최소한의 뉴런 집합을 규명한다.
• 제어 신호 전파의 시간 스케일과 신경 기반 구조를 규명하기 위해 새로운 제거 경로를 인코딩 분 析에 도입한다.
• 조각별 또는 하이브리드 동적 모델을 피하기 위해 전이를 희소한 일시적 신호가 작용하는 글로벌 선형 시스템으로 모델링한다.
• 시간 지연 분석을 통합하여 식별된 뉴런의 사전 활성 패tern으로부터 전이를 예측한다.
• 예측된 동역학과 관측된 전체 뇌 활동 간 비교를 통해 재구성 품질을 검증한다.

실험 결과

연구 질문

• RQ1 제어 입력이 있는 단일 글로벌 선형 동적 시스템이 C. elegans 전체 뇌 기록에서 관찰된 복잡한 비선형 신경 동역학을 재구성할 수 있는가?
• RQ2 전진, 역행, 회전과 같은 이산 행동 간 전환을 이끄는 제어 신호를 인코딩하는 뉴런은 무엇인가?
• RQ3 전이 이전의 신경 활동의 시계열과 순서는 식별된 제어 신호를 통해 시간 지연 인코딩을 통해 예측할 수 있는가?
• RQ4 이 프레임워크는 조각별 선형 또는 局부 선형 모델에 비해 행동 동역학 재구성에서 어떤가?
• RQ5 식별된 제어 신호의 생물학적 해석 가능성과 다양한 행동 상태 간 일반화 가능성은 어떠한가?

주요 결과

• 제안된 DMDc 기반 모델은 희소 제어 신호를 갖는 단일 글로벌 선형 시스템을 사용하여 전체 뇌 칼슘 이미징 데이터를 성공적으로 재구성하며, 높은 재구성 정밀도를 달성한다.
• 제어 신호는 AVB와 AIY와 같이 이전에 관련이 있다고 지목된 뉴런을 포함한 소수의 뉴런 집단에서 식별되었으며, 전이와 직접 연결된 바가 없었던 새로운 후보 뉴런도 포함되어 있었다.
• 시간 지연 인코딩 분석을 통해 행동 전환이 최대 1.5초 전까지 신경 활동으로부터 예측 가능하며, 이 예측 능력은 여러 뉴런 유형에 걸쳐 확장된다.
• 이 방법은 전진 운동과 역행/회전으로의 전이 동안의 동역학을 성공적으로 포착하지만, 장기간의 전진 상태에서는 재구성 품질이 떨어지며, 이는 이 영역에서 내재된 복잡성 또는 비선형성 때문일 수 있음을 시사한다.
• 이 프레임워크는 비선형 동역학이 희소한 일시적 제어 입력이 작용하는 선형 동역학으로 이해될 수 있음을 드러내며, 조각별 또는 하이브리드 시스템보다 더 단순하고 해석 가능한 모델을 제공한다.
• 비지도 학습 접근법은 행동 상태의 사전 레이블 없이 생물학적으로 타당한 제어 신호를 식별할 수 있어 향후 실험적 검증을 위한 가설 생성에 기여한다.