[论文解读] A Joint Graph Inference Case Study: the C.elegans Chemical and Electrical Connectomes

Li Chen, Joshua T Vogelstein+2 more|arXiv (Cornell University)|Jul 30, 2015

Genetics, Aging, and Longevity in Model Organisms参考文献 19被引用 5

一句话总结

本文提出了一种联合图推理框架，通过种子图匹配将秀丽隐杆线虫的化学突触和电突触连接组整合起来，并进行联合顶点分类。通过同时分析两种连接组，该方法在神经元类型分类准确率上显著优于单独使用任一连接组，表明联合推理揭示了在不同突触类型间保留的具有生物学意义的结构关系。

ABSTRACT

We investigate joint graph inference for the chemical and electrical connectomes of the extit{Caenorhabditis elegans} roundworm. The extit{C.elegans} connectomes consist of $253$ non-isolated neurons with known functional attributes, and there are two types of synaptic connectomes, resulting in a pair of graphs. We formulate our joint graph inference from the perspectives of seeded graph matching and joint vertex classification. Our results suggest that connectomic inference should proceed in the joint space of the two connectomes, which has significant neuroscientific implications.

研究动机与目标

• 开发一种用于秀丽隐杆线虫中配对神经连接组——化学突触与电突触——的联合推断统计框架。
• 探究结合两种连接组是否能提升神经元类型分类的准确性，相比单独分析单一连接组。
• 为理解化学与电突触在神经回路中协同存在的功能意义，提供方法论和定量基础。
• 证明两种连接组之间的结构相似性在统计上显著，并且对推断具有信息价值。

提出的方法

• 使用种子图匹配将化学连接组与电连接组之间的顶点对齐，以构建联合图推理。
• 通过谱方法将两种连接组嵌入共享的低维空间，实现联合顶点分类。
• 采用径向基函数核的支持向量机进行分类，并通过留一法交叉验证进行验证。
• 使用邻接矩阵表示两种连接组：$A_c$ 表示有向加权的化学突触，$A_g$ 表示无向加权的电突触间隙连接。
• 采用相异度度量评估在不同嵌入维度 $d \in \{2, 5, 8, \dots, 119\}$ 下的分类性能。
• 将联合分类性能与单连接组分类性能进行比较，以量化融合带来的性能增益。

实验结果

研究问题

• RQ1 与单独分析单一连接组相比，联合推理化学与电突触连接组是否能提高神经元类型分类的准确性？
• RQ2 秀丽隐杆线虫的化学与电突触连接组之间是否存在统计上显著的结构相似性？
• RQ3 种子图匹配能否有效对齐两种连接组类型中的神经元，揭示共享的网络架构？
• RQ4 两种连接组的联合空间是否能为预测神经元功能属性提供更具信息量的表征？
• RQ5 结合突触类型对神经网络中顶点分类性能的定量影响是什么？

主要发现

• 在所有测试的嵌入维度 $d \in \{2, 5, 8, \dots, 119\}$ 下，联合顶点分类在化学和电突触连接组中均持续优于单顶点分类。
• 对于化学连接组，联合分类在每个测试的嵌入维度下均表现出比单分类更低的误分类误差。
• 对于电突触连接组，联合分类表现更优，尤其在高维嵌入下，误差率持续更低。
• 对秀丽隐杆线虫连接组中信息处理特性的最优推断必须发生在两种连接组的联合空间中，而非孤立地进行。
• 化学与电突触连接组的融合比单独使用任一连接组能提供更准确的神经元类型预测，表明存在协同的信息增益。
• 种子图匹配揭示了两种连接组之间具有统计显著性的结构对应关系，支持了其共存的生物学相关性。