[论文解读] A framework for studying synaptic plasticity with neural spike train data

Scott W. Linderman, Christopher H. Stock+1 more|arXiv (Cornell University)|Nov 14, 2014

Advanced Memory and Neural Computing参考文献 20被引用 23

一句话总结

该论文提出了一种全贝叶斯广义线性模型（GLM）框架，将突触权重视为由参数化可塑性规则控制的非线性动力系统，利用粒子马尔可夫链蒙特卡洛（pMCMC）方法，从神经动作电位序列数据中联合推断时变连接性、GLM参数和学习规则。该方法在NEURON生成的合成数据上成功恢复了真实的突触权重轨迹、连接模式和STDP规则参数，突触检测的AUC达到0.99，且对加法型STDP规则参数实现了完美恢复。

ABSTRACT

Learning and memory in the brain are implemented by complex, time-varying changes in neural circuitry. The computational rules according to which synaptic weights change over time are the subject of much research, and are not precisely understood. Until recently, limitations in experimental methods have made it challenging to test hypotheses about synaptic plasticity on a large scale. However, as such data become available and these barriers are lifted, it becomes necessary to develop analysis techniques to validate plasticity models. Here, we present a highly extensible framework for modeling arbitrary synaptic plasticity rules on spike train data in populations of interconnected neurons. We treat synaptic weights as a (potentially nonlinear) dynamical system embedded in a fully-Bayesian generalized linear model (GLM). In addition, we provide an algorithm for inferring synaptic weight trajectories alongside the parameters of the GLM and of the learning rules. Using this method, we perform model comparison of two proposed variants of the well-known spike-timing-dependent plasticity (STDP) rule, where nonlinear effects play a substantial role. On synthetic data generated from the biophysical simulator NEURON, we show that we can recover the weight trajectories, the pattern of connectivity, and the underlying learning rules.

研究动机与目标

• 为解决缺乏能够从大规模神经动作电位序列记录中推断时变突触连接性和可塑性规则的统计模型的问题。
• 开发一种灵活且可扩展的框架，将突触权重建模为由参数化可塑性规则控制的动力系统，嵌入全贝叶斯GLM中。
• 利用实测动作电位数据，通过模型比较方法区分竞争性可塑性规则（如加法型和乘法型STDP）。
• 在基于生物物理上合理的NEURON模拟生成的合成数据上验证该框架，展示对真实底层动态过程的恢复能力。

提出的方法

• 将突触权重建模为嵌入全贝叶斯广义线性模型（GLM）中的非线性动力系统，其中条件发放率依赖于刺激、突触前动作电位历史和时变突触权重。
• 将膜电位表示为刺激滤波器、突触后电位（PSPs）和背景发放率的总和，并引入截断非线性以确保发放率非负。
• 将突触权重视为随用户定义的可塑性规则（如STDP）演化的潜在动力变量，其参数由数据推断。
• 采用粒子马尔可夫链蒙特卡洛（pMCMC）方法，联合推断突触权重轨迹、GLM参数和可塑性规则参数。
• 使用权重矩阵的后验均值估计连接性，并通过受试者工作特征曲线下面积（AUC）评估模型在边检测中的性能。
• 通过评估不同STDP变体的预测似然性和参数恢复准确性，进行模型比较。

实验结果

研究问题

• RQ1 当已知真实可塑性规则时，时变GLM框架能否准确从动作电位序列数据中推断突触权重轨迹？
• RQ2 该模型在仅使用动作电位数据的情况下，能否有效区分加法型与乘法型突触时序依赖可塑性（STDP）？
• RQ3 与静态GLM模型相比，引入时变权重是否能提升对瞬时或衰减性突触的检测能力？
• RQ4 该模型在多大程度上能从合成神经记录中恢复可塑性规则的真实参数（如时间常数、振幅）？
• RQ5 当突触权重饱和时，现有模型在区分可塑性规则方面存在哪些局限性？

主要发现

• 该模型在合成网络中检测28个真实兴奋性突触的AUC达到0.99，显著优于静态GLM和互相关方法。
• 时变GLM对随时间衰减的突触赋予超过90%的后验概率，而静态GLM对同一突触的后验概率低于40%。
• 在合成数据中，推断出的加法型STDP学习规则参数（时间常数和相对振幅）与真实底层规则完全匹配。
• 该模型成功恢复了突触权重随时间的完整轨迹，包括强化和削弱的动力学过程。
• 尽管权重轨迹和规则参数恢复准确，当权重饱和时，仅靠预测似然性不足以区分加法型与乘法型STDP规则。
• 该框架展示了未来在生物记录中通过最优实验设计来确证可塑性假说的可行性。