[논문 리뷰] Bayesian latent structure discovery from multi-neuron recordings

Scott W. Linderman, Ryan P. Adams외 1명|arXiv (Cornell University)|2016. 10. 26.

Protein Structure and Dynamics참고 문헌 16인용 수 33

한 줄 요약

이 논문은 자극 지식 없이 다중 뉴런 스파이크 트레인 데이터로부터만 은닉 신경 회로 구조(예: 세포 유형 및 수용체 영역 위치)를 추론하는 베이지안 계층 모델을 제안한다. 일반선형모형(GLMs)과 구조적 그래프 사전분포(예: 스토케스틱 블록 모형 및 은닉 거리 모형)를 결합하고, 효율적인 MCMC 추론을 위해 포리아-가우스 보정을 사용함으로써, 합성 및 영양 망막 데이터에서 상호관련된 스파이크 활동으로부터 생물학적으로 의미 있는 조직 구조를 정확히 복원한다.

ABSTRACT

Neural circuits contain heterogeneous groups of neurons that differ in type, location, connectivity, and basic response properties. However, traditional methods for dimensionality reduction and clustering are ill-suited to recovering the structure underlying the organization of neural circuits. In particular, they do not take advantage of the rich temporal dependencies in multi-neuron recordings and fail to account for the noise in neural spike trains. Here we describe new tools for inferring latent structure from simultaneously recorded spike train data using a hierarchical extension of a multi-neuron point process model commonly known as the generalized linear model (GLM). Our approach combines the GLM with flexible graph-theoretic priors governing the relationship between latent features and neural connectivity patterns. Fully Bayesian inference via Pólya-gamma augmentation of the resulting model allows us to classify neurons and infer latent dimensions of circuit organization from correlated spike trains. We demonstrate the effectiveness of our method with applications to synthetic data and multi-neuron recordings in primate retina, revealing latent patterns of neural types and locations from spike trains alone.

연구 동기 및 목표

• 상호관련된 스파이크 트레인에서 해석 가능한 기능적 조직 구조를 밝혀내는 비지도 학습 방법을 개발한다.
• 전통적인 차원 축소 및 군집화 기법이 신경 데이터의 시간적 의존성과 노이즈를 다루는 데에 한계가 있음을 해결한다.
• 계층적 베이지안 GLM 프레임워크에 구조적 네트워크 사전분포(예: SBM, 은닉 거리 모형)를 통합하여 신경 유형과 연결성의 동시 추론을 수행한다.
• 외부 자극에 의존하지 않고 다중 뉴런 기록에서 은닉 특징을 강건하고 스케일러블하게 추론할 수 있도록 한다.
• 스파이크 트레인 상관계수만으로도 망막 간상세포 유형 및 수용체 영역 위치와 같은 생물학적으로 관련된 패턴을 드러낼 수 있음을 입증한다.

제안 방법

• 스파이크 트레인 생성을 위한 일반선형모형(GLMs)과 뉴런 연결성에 대한 융통성 있는 그래프 이론적 사전분포를 결합한 계층적 베이지안 모델을 사용한다.
• 네트워크 구조와 은닉 특징에 대한 사후 추론을 위한 효율적이고 축소된 게비스 샘플링을 가능하게 하기 위해 포리아-가우스 보정을 적용한다.
• 과소산란 및 과다산란을 다루기 위해 로지스틱 연결 함수를 사용하는 베르누이, 이항, 또는 음이이항 분포의 우도를 스파이크 수에 적용한다.
• 이산적 은닉 유형을 위한 스토케스틱 블록 모형(SBM)과 연속적인 공간 조직을 위한 은닉 거리 모형과 같은 구조적 사전분포를 적용한다.
• 네트워크 구조가 인풋 응답을 통해 뉴런 간 자기회귀 역동성을 매개하는 네트워크-GLM(NGLM) 프레임워크를 도입한다.
• 보유한 뉴런에 대한 예측 로그우도를 사용하여 모델 비교를 수행하고, 인접성 및 가중치 모델의 최적 조합을 선별한다.

실험 결과

연구 질문

• RQ1 자극 정보 없이도 상호관련된 스파이크 트레인 활동만으로도 은닉 신경 회로 구조(예: 세포 유형 및 수용체 영역 위치)를 탐지할 수 있는가?
• RQ2 구조적 네트워크 사전분포(예: SBM, 은닉 거리 모형)가 스파이크 트레인으로부터 생물학적으로 의미 있는 조직을 얼마나 잘 복원하는가?
• RQ3 제안된 베이지안 네트워크-GLM 프레임워크가 선형 동적계(LDS)와 같은 표준 모델보다 공간적 및 기능적 조직을 얼마나 잘 복원하는가?
• RQ4 유추된 은닉 특징이 합성 및 실제 신경 데이터에서 참 생물학적 기준값과 어느 정도 상관이 있는가?
• RQ5 이 방법은 짧은 기간 기록에서도 기능적 연결 패턴과 세포 유형 정체성을 강건하게 식별할 수 있는가?

주요 결과

• 망막 데이터에서 보유한 뉴런에 대한 예측 로그우도에서, 인접성에 대한 은닉 거리 모형과 가중치에 대한 스토케스틱 블록 모형(SBM) 조합이 가장 높은 성능을 보였다.
• 네트워크 GLM에서 유추된 세포 간 거리는 진짜 수용체 영역 거리와 매우 높은 상관관계(r ≈ 0.9)를 보였으며, LDS 기반 위치는 그러한 상관관계가 없었다.
• 유추된 세포 위치는 애핀 변환까지 거의 동일했으며, 이는 스파이크 상관계수만으로도 정확한 공간 복원이 가능함을 보여준다.
• 유추된 가중치 내에서 같은 유형 내의 자극 증폭과 다른 유형 간의 억제를 기반으로, 두 가지 구분되는 망막 간상세포 유형(온/오프 세포)을 성공적으로 식별했다.
• 유추된 네트워크 구조는 생물학적으로 타당한 패턴을 보였다: 가까운 뉴런 간 연결 확률이 높고, 은닉 유형에 따라 다른 가중치 프로파일을 보였다.
• 특히 거리 함수에 따른 연결 확률 모델링에서 자극에 의존하지 않는 기능적 조직을 더 잘 포착함으로써, 표준 선형 동적계(LDS)보다 성능이 뛰어났다.