[论文解读] Discovering Patterns in Multi-neuronal Spike Trains using the Frequent Episode Method

Unnikrishnan Kuzhiumparambil, Debprakash Patnaik+1 more|ArXiv.org|Sep 5, 2007

Neural Networks and Applications被引用 8

一句话总结

本文提出一种基于频繁事件发现的时序数据挖掘框架，可自动检测多神经元动作电位序列中的同步性、突触链（synfire chains）及其他协调放电模式。通过将动作电位序列建模为时间有序事件，并应用有限状态自动机在时间约束下检测统计显著的重复模式，该方法高效地揭示了神经回路中的功能连接，已在模拟数据和真实多电极阵列数据上得到验证，具有高灵敏度和对数百个神经元的可扩展性。

ABSTRACT

Discovering the 'Neural Code' from multi-neuronal spike trains is an important task in neuroscience. For such an analysis, it is important to unearth interesting regularities in the spiking patterns. In this report, we present an efficient method for automatically discovering synchrony, synfire chains, and more general sequences of neuronal firings. We use the Frequent Episode Discovery framework of Laxman, Sastry, and Unnikrishnan (2005), in which the episodes are represented and recognized using finite-state automata. Many aspects of functional connectivity between neuronal populations can be inferred from the episodes. We demonstrate these using simulated multi-neuronal data from a Poisson model. We also present a method to assess the statistical significance of the discovered episodes. Since the Temporal Data Mining (TDM) methods used in this report can analyze data from hundreds and potentially thousands of neurons, we argue that this framework is appropriate for discovering the `Neural Code'.

研究动机与目标

• 为解决从高通量记录技术中发现多神经元动作电位序列中复杂协调放电模式的挑战。
• 克服传统基于相关性的方法的局限性，这些方法因维度灾难而难以扩展至超过3–4个神经元。
• 开发一种通用、可扩展的方法，能够检测大规模神经元群中多样的时间模式，如同步性、有序序列和突触链。
• 提供一种统计上严谨的框架，用于评估检测到的模式的显著性，超越独立泊松分布的零假设。
• 在具有已知真实情况的合成数据以及来自多电极阵列和钙成像的真实实验数据上，验证该方法的有效性。

提出的方法

• 将多神经元动作电位序列表示为时间有序的事件序列，其中每个事件为特定神经元在某一时刻的放电。
• 应用频繁事件发现框架，利用有限状态自动机建模并检测具有用户定义时间约束的重复时间模式（事件）。
• 采用类似Apriori的算法原理，高效搜索频繁事件，避免对所有可能模式进行穷举枚举。
• 实施基于抖动（jitter）的统计显著性检验，评估检测到的事件是否在独立、非相互作用神经元的零假设下，其出现频率显著高于随机预期。
• 使用真实神经元模拟器生成合成数据，其中每个神经元被建模为具有输入依赖放电率和不应期的非时齐泊松过程，以嵌入已知模式。
• 通过比较原始数据与抖动（时间偏移）版本中事件频率来验证模式检测，结果表明真实模式在原始数据中出现频率远高于随机化数据，确认其非随机性。

实验结果

研究问题

• RQ1 频繁事件发现方法能否有效检测多神经元动作电位序列中的复杂协调放电模式，如同步性和突触链？
• RQ2 在传统基于相关性的方法因组合爆炸而难以处理的情况下，该方法在检测涉及超过四个神经元的模式时表现如何？
• RQ3 该方法能否通过统计显著性检验可靠地区分生物上有意义的放电模式与随机背景放电活动？
• RQ4 该方法在不同神经元培养物和实验条件下是否具有良好的泛化能力，表现为在多样化数据集中一致发现模式？
• RQ5 检测到的事件在多大程度上能反映神经网络中潜在的功能连接与微环路组织结构？

主要发现

• 频繁事件发现方法成功检测到由真实神经元模拟器生成的合成动作电位序列中嵌入的已知模式，如同步性和突触链。
• 该方法可有效扩展至包含数百个神经元的数据集，证明其在大规模神经记录中的计算可行性。
• 通过抖动方法进行的统计显著性检验表明，真实模式的出现频率比随机数据高出数个数量级，证实其非随机性。
• 在多电极阵列和钙成像的真实数据中，该方法识别出在不同神经元培养物中具有差异性的、可重复的频繁事件集合，表明其反映了独特的潜在微环路特性。
• 与传统互相关方法相比，检测到的事件更具信息量，因其能捕捉到相关性方法无法检测的复杂多神经元时间序列。
• 该框架揭示，有序序列和同步放电等模式并非随机，而是神经网络中显著功能组织的体现。