[论文解读] Automatic discovery of cell types and microcircuitry from neural connectomics

Eric Jonas, Konrad P. Körding|arXiv (Cornell University)|Jul 15, 2014

Cell Image Analysis Techniques参考文献 19被引用 5

一句话总结

本文提出了一种非参数贝叶斯模型，通过整合连接性、胞体深度和突触分布，从神经连接组学数据中自动发现神经元类型和微环路结构。该方法在预测连接性和识别已知的视网膜神经元类型方面优于简单算法，同时在秀丽隐杆线虫中揭示了新的结构模式，并发现了微处理器电路的结构特征。

ABSTRACT

Neural connectomics has begun producing massive amounts of data, necessitating new analysis methods to discover the biological and computational structure. It has long been assumed that discovering neuron types and their relation to microcircuitry is crucial to understanding neural function. Here we developed a nonparametric Bayesian technique that identifies neuron types and microcircuitry patterns in connectomics data. It combines the information traditionally used by biologists, including connectivity, cell body location and the spatial distribution of synapses, in a principled and probabilistically-coherent manner. We show that the approach recovers known neuron types in the retina and enables predictions of connectivity, better than simpler algorithms. It also can reveal interesting structure in the nervous system of C. elegans, and automatically discovers the structure of a microprocessor. Our approach extracts structural meaning from connectomics, enabling new approaches of automatically deriving anatomical insights from these emerging datasets.

研究动机与目标

• 开发一种自动化的、可扩展的方法，用于从高通量连接组学数据中识别神经元类型和微环路结构。
• 将多种神经解剖学特征——连接性、胞体深度和突触分布——整合到统一的概率框架中。
• 通过引入空间依赖性和概率一致性，改进现有方法在细胞类型发现中的表现。
• 实现无偏见的、数据驱动的细胞类型识别，使其与人类神经解剖学家的分类一致。
• 通过支持跨动物细胞类型的对齐，促进比较神经解剖学和功能表型分析。

提出的方法

• 该模型采用非参数贝叶斯方法，引入一个潜在变量以表示未观测到的细胞类型，每个细胞被分配至单一类型。
• 将连接概率建模为依赖于距离的函数，由细胞类型对（ηmn）和全局超参数（θ）参数化。
• 胞体深度被建模为具有类型特异性均值和方差的高斯分布，而突触密度分布则为每种细胞类型最多允许三个峰。
• 通过可组合的马尔可夫链蒙特卡洛转移核进行推断，分别处理结构分配、各类型参数和全局超参数。
• 通过在细胞类型分配（c）、参数（η）和超参数（θ）上进行最大后验估计（MAP）来最大化联合后验分布，同时对类型分配和参数施加先验。
• 该模型可扩展至多个连接矩阵，并通过背景连接率建模误差。

实验结果

研究问题

• RQ1 能否通过整合连接性、空间位置和突触分布，利用概率模型从连接组学数据中自动发现神经元类型？
• RQ2 与神经解剖学家的人工分类相比，该模型在恢复已知视网膜神经元类型方面的表现如何？
• RQ3 该模型能否在研究较少的神经系统（如秀丽隐杆线虫）中揭示新的结构模式？
• RQ4 与简单模型相比，整合空间和形态学特征是否能提高连接性预测的准确性？
• RQ5 该模型能否在不同神经系统的微环路结构中识别出一致的模式，包括人工系统（如微处理器）？

主要发现

• 该模型成功恢复了已知的视网膜神经元类型，与人类神经解剖学家的分类高度一致。
• 通过利用空间和形态学特征，该模型在连接性预测性能上优于简单算法。
• 该模型揭示了秀丽隐杆线虫连接组中此前未知的结构组织，提示其具有功能性的微环路结构。
• 该模型能自动发现经典微处理器的潜在架构，证明其在生物系统之外也具有泛化能力。
• 引入空间和突触分布特征显著提升了模型的准确性与生物学合理性。
• 该方法支持跨动物细胞类型的对齐，为比较定量神经解剖学提供了支持。