[논문 리뷰] Semiparametric spectral modeling of the Drosophila connectome

Carey E. Priebe, Youngser Park외 9명|arXiv (Cornell University)|2017. 05. 09.

Plant and animal studies참고 문헌 7인용 수 23

한 줄 요약

이 논문은 인접성 스펙트럼 임bedding(ASE)과 이차 평균 및 선형 공분산 곡선으로 제약된 가우시안 혼합 모델(GMM)을 조합한 준모수적 스펙트럼 모델링 방법을 제시한다. 이는 완전한 라이벌 Drosophila 숙모체 연결망을 대상으로 하며, 생물학적으로 의미 있는 신경세포 조직을 포착하는 잠재 구조 모델(LSM)을 규명한다. 이 모델은 케니언 세포(KC)에서 일관된 군집화와 신경세포 기능 예측 능력을 보이는 7성분 혼합 구조를 드러낸다.

ABSTRACT

We present semiparametric spectral modeling of the complete larval Drosophila mushroom body connectome. Motivated by a thorough exploratory data analysis of the network via Gaussian mixture modeling (GMM) in the adjacency spectral embedding (ASE) representation space, we introduce the latent structure model (LSM) for network modeling and inference. LSM is a generalization of the stochastic block model (SBM) and a special case of the random dot product graph (RDPG) latent position model, and is amenable to semiparametric GMM in the ASE representation space. The resulting connectome code derived via semiparametric GMM composed with ASE captures latent connectome structure and elucidates biologically relevant neuronal properties.

연구 동기 및 목표

• 완전한 라이벌 Drosophila 숙모체 연결망을 위한 생성 모델을 개발하여 잠재적인 구조적 조직을 포착한다.
• 표준 스펙트럼 클러스터링의 한계를 해결하기 위해 네트워크 임bedding 공간에서 비균일하고 굴절된 잠재 구조를 모델링한다.
• 스토케스틱 블록 모델(SBM)의 일반화이자 랜덤 도트 곱 그래프(RDPG)의 특수한 경우인 준모수적 잠재 구조 모델(LSM)을 제안한다.
• 인접성 스펙트럼 임bedding 공간에서 제약된 가우시안 혼합 모델링을 통해 생물학적으로 해석 가능한 연결망 코드를 유도한다.
• BIC와 일致성 이론을 사용하여 모델을 검증함으로써 통계적 신뢰성과 생물학적 관련성을 확보한다.

제안 방법

• 213개의 뉴런(100개의 케니언 세포(KC) 포함)으로 구성된 방향성 있고 가중치가 부여된 연결망에 대해 인접성 스펙트럼 임bedding(ASE)을 적용하여 저차원 잠재 위치를 확보한다.
• 성분 평균이 이차 곡선을 따르고 공분산이 임베딩 공간에서 선형적으로 변화하는 제약된 가우시안 혼합 모델(GMM)을 제안하며, 이는 매arameter 공간 $\mathscr{C}_{KC}$ 에서 곡선을 형성한다.
• 고정된 비모수적 구조를 가진 EM 알고리즘을 사용한다: 평균 $\mu(t)$ 는 $t$ 에 대해 이차 함수이며, 공분산 $\Sigma(t)$ 는 항등행렬로 스케일된 두 분산의 선형 조합이다.
• 제약 조건을 통해 $\mu_j$ 와 $\Sigma_j$ 가 곡선 $\mathscr{C}_{KC}$ 에 등간격으로 배치되도록 하여 매끄럽고 해석 가능한 모델을 확보한다.
• BIC를 사용하여 KC 뉴런에 대한 최적의 성분 수($K=7$)를 선택하여 모델 적합도와 복잡성의 균형을 이룬다.
• 진짜 분포가 제약된 매개변수 공간 $\mathscr{C}_{KC}$ 내에 존재한다고 가정할 때 추정기의 일관성을 확립한다.

실험 결과

연구 질문

• RQ1 스펙트럼 클러스터링만으로도 라이벌 Drosophila 숙모체 연결망의 복잡하고 비구형 구조를 충분히 포착할 수 있는가?
• RQ2 숙모체 연결망에서 케니언 세포(KC)의 연결 패턴을 뒷받침하는 잠재적 구조는 무엇인가?
• RQ3 기하학적 제약 조건을 가진 ASE와 GMM를 조합한 준모수적 모델이 기존 모델보다 더 생물학적으로 의미 있는 연결망 코드를 도출할 수 있는가?
• RQ4 제안된 잠재 구조 모델(LSM)이 신경세포 연결 패턴을 포착하는 데서 스토케스틱 블록 모델(SBM)과 어떻게 비교되는가?
• RQ5 구조적 제약 조건이 있을 때, 표본 크기가 증가함에 따라 혼합 모델의 추정 매개변수 공간이 일관성이 있는가?

주요 결과

• 제약된 평균과 공분산 곡선을 가진 준모수적 GMM은 BIC를 통해 선택된 $K=7$ 성분을 통해 케니언 세포의 잠재 구조를 성공적으로 모델링한다.
• 임베딩 공간에서 추정된 곡선 $\widehat{\mathscr{C}}_{KC}$ 는 매끄럽고 연속적인 뉴런 아형의 진행을 포착하여 연결성 특성의 생물학적으로 타당한 기울기임을 시사한다.
• 진짜 분포가 $\mathscr{C}_{KC}$ 내에 존재한다고 가정할 때 추정기의 일관성이 입증되었으며, 이는 $\widehat{m}_j$ 와 $\widehat{\sigma}^2_j$ 가 진짜 값으로 점점 수렴함을 보여준다.
• 결과적으로 도출된 연결망 코드는 케니언 세포 뉴런에서 알려진 생물학적 특성(예: 시냅스 입력 패tern, 학습 기능 수행)과 관련된 명확한 군집 패턴을 드러낸다.
• 선형적이거나 구형 가정을 하는 기존의 스펙트럼 클러스터링에 비해 비구형이고 굴절된 클러스터를 포착함으로써 성능이 뛰어나다.
• 추정된 혼합 모델은 뉴런 정체성과 연결성을 예측할 수 있는 프레임워크를 제공하며, 연결망 전체의 추론 및 시뮬레이션에 응용 가능성이 있다.