[论文解读] A model of sensory neural responses in the presence of unknown modulatory inputs

Neil C. Rabinowitz, Robbe L. T. Goris+2 more|arXiv (Cornell University)|Jul 6, 2015

Neural dynamics and brain function参考文献 15被引用 3

一句话总结

本文提出了一种调制泊松广义线性模型（MoP-GLM），通过将未知的、缓慢变化的调制输入建模为平滑的潜在乘法增益信号，来解释感觉神经元反应中的非平稳性。通过在推理过程中对这一潜在调制器进行积分，该模型在模拟数据和真实野猪听觉神经数据上均提升了感受野估计的准确性并增强了预测性能，减少了偏差并提高了对非平稳性的鲁棒性。

ABSTRACT

Neural responses are highly variable, and some portion of this variability arises from fluctuations in modulatory factors that alter their gain, such as adaptation, attention, arousal, expected or actual reward, emotion, and local metabolic resource availability. Regardless of their origin, fluctuations in these signals can confound or bias the inferences that one derives from spiking responses. Recent work demonstrates that for sensory neurons, these effects can be captured by a modulated Poisson model, whose rate is the product of a stimulus-driven response function and an unknown modulatory signal. Here, we extend this model, by incorporating explicit modulatory elements that are known (specifically, spike-history dependence, as in previous models), and by constraining the remaining latent modulatory signals to be smooth in time. We develop inference procedures for fitting the entire model, including hyperparameters, via evidence optimization, and apply these to simulated data, and to responses of ferret auditory midbrain and cortical neurons to complex sounds. We show that integrating out the latent modulators yields better (or more readily-interpretable) receptive field estimates than a standard Poisson model. Conversely, integrating out the stimulus dependence yields estimates of the slowly-varying latent modulators.

研究动机与目标

• 解决由未测量的、波动的调制因素（如注意力、觉醒状态或麻醉）引起的神经反应可变性问题。
• 开发一种显式考虑这些未知调制影响的统计模型，以处理感觉神经数据。
• 通过积分潜在调制器而非对试验进行平均，提升刺激-反应关系估计的准确性。
• 实现从尖峰序列数据中联合推断刺激驱动的感受野与缓慢变化的调制动态。

提出的方法

• 该模型采用调制泊松过程，其中发放率是刺激驱动分量与潜在平滑调制信号的乘积。
• 潜在调制器被建模为具有平方指数协方差函数的高斯过程，以确保时间上的平滑性。
• 该模型结合广义线性模型框架与证据优化，以推断尖峰历史核及调制器的超参数。
• 通过变分近似进行推理，以对潜在调制器进行边缘化处理，避免因未建模的非平稳性导致的偏差。
• 该方法应用于模拟数据及真实野猪听觉中脑和皮层神经元的细胞外记录数据。
• 通过保留的测试数据似然值进行模型比较，以评估预测性能，并使用交叉验证验证超参数选择。

实验结果

研究问题

• RQ1 潜在的、平滑的调制信号是否能够解释标准泊松GLM未能捕捉到的神经放电反应中的非平稳性？
• RQ2 对潜在调制器进行积分是否能相比标准GLM拟合，提供更准确且偏差更小的刺激驱动感受野估计？
• RQ3 引入潜在调制器在保留的神经数据上的预测性能方面有何提升？
• RQ4 所学习的调制器时间常数在多大程度上反映了生理非平稳性的实际时间尺度？

主要发现

• 在模拟数据上，MoP-GLM成功恢复了真实的尖峰历史核与潜在调制器，而标准P-GLM则产生了显著的偏差估计。
• 在339个真实野猪听觉神经元记录中，MoP-GLM在预测似然性上优于P-GLM，且性能提升与估计的非平稳性程度呈正相关（r = 0.6）。
• 当调制器时间常数设置为高于或低于学习到的最优值时，预测性能下降，证实了模型对超参数估计准确性的敏感性。
• 通过在保留数据上的局部敏感性分析，表明模型估计的调制器超参数在预测方面达到最优。
• 潜在调制器估计显示出与已知生理影响（如麻醉深度变化）一致的缓慢非平稳波动。
• 该方法可在无需直接测量调制状态的情况下，实现对刺激-反应参数与情境调制动态的联合推断。