[論文レビュー] Comparing high-dimensional neural recordings by aligning their low-dimensional latent representations

Max Dabagia, Konrad P. Körding+1 more|arXiv (Cornell University)|May 17, 2022

Neural dynamics and brain function被引用数 7

ひとこと要約

本論文では、線形動的システムや行列分解などのモデルを用いて共有される低次元の潜在構造を活用することで、同一のニューロンや記録がなくても、時間的・個体的・実験的条件下での高次元ニューラル記録を比較する手法を提案する。このアプローチにより、対応関係を必要としない、データ駆動型の神経集団活動の比較が可能になる。

ABSTRACT

Many questions in neuroscience involve understanding of the responses of large populations of neurons. However, when dealing with large-scale neural activity, interpretation becomes difficult, and comparisons between two animals, or across different time points becomes challenging. One major challenge that we face in modern neuroscience is that of correspondence, e.g. we do not record the exact same neurons at the exact same times. Without some way to link two or more datasets, comparing different collections of neural activity patterns becomes impossible. Here, we describe approaches for leveraging shared latent structure across neural recordings to tackle this correspondence challenge. We review algorithms that map two datasets into a shared space where they can be directly compared, and argue that alignment is key for comparing high-dimensional neural activities across times, subsets of neurons, and individuals.

研究の動機と目的

• 神経記録において、条件や個体間で同一のニューロンが一貫して記録されていない場合の比較の課題に対処すること。
• ニューロン同士の対応関係を必要としない、高次元神経活動パターンの直接比較を可能にすること。
• 神経集団活動の潜在表現を整列させるフレームワークを構築し、データセット間で共有されるダイナミクスを明らかにすること。
• 神経活動の分布の変化に適応することで、脳機械インターフェースにおける神経デコードのロバスト性を向上させること。
• 健康状態と疾患状態における神経回路レベルの変化を、一貫した潜在神経状態の比較によって促進すること。

提案手法

• 線形動的システム（LDS）やその他の因子分解技術を用いて、神経集団活動を低次元の潜在要因でモデル化する。
• 対応不変の目的関数を最適化することで、2つ以上の神経記録の潜在表現を整列させ、共有される潜在空間を学習する。
• 行列補完法と多様体ベースのモデルを用いて、重複のないニューロンの記録や脳領域における不完全なデータに対処する。
• ドメイン適応と部分的整列技術を適用し、条件間での神経活動分布の変化を管理する。
• Procrustes解析や canonical 相関を含む整列指標を用いて、潜在空間を比較し、内在するダイナミクスを保持する。
• 多様体モデルを統合して、複雑な非線形神経ダイナミクスを表現し、異なる脳領域からのデータを統合する。

実験結果

リサーチクエスチョン

• RQ1 データセット間で一貫したニューロンの対応関係がない場合、どのように高次元神経記録を比較できるか？
• RQ2 時間的・個体的・実験的条件下で神経活動を比較するための安定した共有表現として、どのような低次元潜在構造が適しているか？
• RQ3 潜在表現の整列が、脳機械インターフェースにおける神経デコードのロバスト性をどの程度向上できるか？
• RQ4 記録が不完全であるか、重複のないニューロン集団から得られた場合、神経ダイナミクスをどのようにモデル化・比較できるか？
• RQ5 潜在空間の整列が、神経疾患や神経変性疾患における回路レベルの変化の検出にどのような意味を持つのか？

主な発見

• 潜在空間の整列により、データセット間で同一のニューロンが記録されていなくても、神経記録の直接比較が可能になる。
• 記録間で共有される潜在要因は時間的・個体的変化に対して安定しており、神経ダイナミクスの信頼性ある比較を可能にする。
• 再訓練を新データで行わずに、神経活動の分布の変化に適応することで、神経デコードのロバスト性が向上する。
• 行列補完法と多様体ベースのモデルにより、重複のないニューロン集団や部分的記録からのデータ統合が可能になる。
• 潜在表現の整列により、健康状態と疾患状態における神経回路の変化が一貫して明らかになり、新たな発見の道筋が開かれる。
• DAD や HiWA などの整列手法のオープンソース実装が利用可能であり、神経科学分野における再現性と広範な採用を支援する。