[论文解读] A shotgun sampling solution for the common input problem in neural connectivity inference

Daniel Soudry, Suraj Prasad Keshri+4 more|arXiv (Cornell University)|Sep 15, 2013

Neural dynamics and brain function参考文献 38被引用 20

一句话总结

本文提出一种用于神经连接推断的'散弹式'实验设计，通过随时间序列观察重叠的子网络，以减轻未观测到的共同输入引起的偏差。利用广义线性模型的可扩展近似贝叶斯方法，该方法能够在仅观察到每时间窗中一小部分神经元的情况下，对大规模脉冲发放网络实现精确推断，即使在包含数千个神经元的模拟中也表现出稳健性能。

ABSTRACT

Inferring connectivity in neuronal networks remains a key challenge in statistical neuroscience. The `common input' problem presents the major roadblock: it is difficult to reliably distinguish causal connections between pairs of observed neurons from correlations induced by common input from unobserved neurons. Since available recording techniques allow us to sample from only a small fraction of large networks simultaneously with sufficient temporal resolution, naive connectivity estimators that neglect these common input effects are highly biased. This work proposes a `shotgun' experimental design, in which we observe multiple sub-networks briefly, in a serial manner. Thus, while the full network cannot be observed simultaneously at any given time, we may be able to observe most of it during the entire experiment. Using a generalized linear model for a spiking recurrent neural network, we develop scalable approximate Bayesian methods to perform network inference given this type of data, in which only a small fraction of the network is observed in each time bin. We demonstrate in simulation that, using this method: (1) The shotgun experimental design can eliminate the biases induced by common input effects. (2) Networks with thousands of neurons, in which only a small fraction of the neurons is observed in each time bin, could be quickly and accurately estimated. (3) Performance can be improved if we exploit prior information about the probability of having a connection between two neurons, its dependence on neuronal cell types (e.g., Dale's law), or its dependence on the distance between neurons.

研究动机与目标

• 为解决神经连接推断中的共同输入问题，即未观测到的神经元会引致虚假相关性，被误认为是直接连接。
• 开发一种实验设计，即使在无法同时观测神经元群体的条件下，也能实现可靠的推断。
• 创建可扩展的统计方法，能够在散弹式采样框架下处理高维、部分观测的脉冲发放网络数据。
• 评估所提方法在恢复大规模网络真实连接结构方面的性能，尤其在每时间窗仅观测到少量神经元的情况下。

提出的方法

• 提出一种散弹式实验设计，即在每个时间点仅观测一小部分随机选择的神经元，通过实验全程实现全网络覆盖。
• 采用广义线性模型（GLM）框架，对随机神经网络中的脉冲发放活动与连接性进行建模。
• 开发可扩展的近似贝叶斯推断技术——具体为变分贝叶斯（VB）、期望最大化（EM）和马尔可夫链蒙特卡洛（MCMC）——以处理未观测到的脉冲和潜在网络结构。
• 在突触权重上应用脊椎与板（spike and slab）先验，以实现稀疏估计，并整合生物学约束，如戴尔定律（Dale’s law）和距离依赖性连接。
• 采用基于平均场的变分推断，对脉冲和权重的后验分布进行因子化近似，从而实现比MCMC更快的计算速度。
• 将基于神经元细胞类型或空间邻近性的连接概率先验知识整合到模型中，以提高推断准确性。

实验结果

研究问题

• RQ1 是否可以通过散弹式采样策略——即对重叠子网络进行序列观测——有效减少未观测到的共同输入在神经连接推断中引起的偏差？
• RQ2 当每时间窗仅观测到一小部分神经元时，能否在大规模脉冲发放网络（如数千个神经元）中实现高精度的连接推断？
• RQ3 在部分观测条件下，将先验生物学知识（如细胞类型、距离）整合到模型中，能在多大程度上改善连接估计？
• RQ4 对于此类部分观测网络数据，不同近似贝叶斯推断方法（VB、EM、MCMC）在性能与可扩展性方面如何比较？
• RQ5 在真实模拟环境中，所提方法是否能优于忽略共同输入效应的朴素连接估计器？

主要发现

• 散弹式实验设计成功消除了由共同输入效应引起的偏差，能够将直接连接与因未观测神经元导致的间接相关性区分开来。
• 该方法即使在每时间窗仅观测到一小部分（例如，<30%）神经元的情况下，也能在包含数千个神经元的脉冲发放递归网络中实现精确的连接推断。
• 当将细胞类型（戴尔定律）或空间距离等先验信息整合到模型中时，性能显著提升。
• 变分贝叶斯（VB）方法在计算速度上优于MCMC，但在每时间窗观测神经元少于30%时，由于对脉冲相关性的近似效果差，无法准确恢复权重。
• 在低观测率条件下，MCMC和EM方法的表现优于VB，尽管计算更慢，其中MCMC对缺失脉冲对的鲁棒性更强。
• 所提框架在真实实验约束下具备可扩展性，适用于大规模神经网络推断。