[论文解读] Bayesian latent structure discovery from multi-neuron recordings

Scott W. Linderman, Ryan P. Adams+1 more|arXiv (Cornell University)|Oct 26, 2016

Protein Structure and Dynamics参考文献 16被引用 33

一句话总结

本文提出了一种贝叶斯层次模型，仅从多神经元动作电位发放序列数据中推断潜在神经回路结构（如细胞类型和感受野位置），而无需刺激信息。通过将广义线性模型（GLMs）与结构化图先验（如随机块模型和潜在距离模型）结合，并使用Pólya-gamma扩展实现高效的MCMC推断，该方法能从合成数据和灵长类视网膜数据的关联放电活动中准确恢复出具有生物学意义的组织结构。

ABSTRACT

Neural circuits contain heterogeneous groups of neurons that differ in type, location, connectivity, and basic response properties. However, traditional methods for dimensionality reduction and clustering are ill-suited to recovering the structure underlying the organization of neural circuits. In particular, they do not take advantage of the rich temporal dependencies in multi-neuron recordings and fail to account for the noise in neural spike trains. Here we describe new tools for inferring latent structure from simultaneously recorded spike train data using a hierarchical extension of a multi-neuron point process model commonly known as the generalized linear model (GLM). Our approach combines the GLM with flexible graph-theoretic priors governing the relationship between latent features and neural connectivity patterns. Fully Bayesian inference via Pólya-gamma augmentation of the resulting model allows us to classify neurons and infer latent dimensions of circuit organization from correlated spike trains. We demonstrate the effectiveness of our method with applications to synthetic data and multi-neuron recordings in primate retina, revealing latent patterns of neural types and locations from spike trains alone.

研究动机与目标

• 开发无监督方法，从相关动作电位发放序列中揭示神经元群体中可解释的功能组织结构。
• 解决传统降维与聚类方法在处理神经数据中的时间依赖性和噪声方面的局限性。
• 将结构化网络先验（如SBM、潜在距离模型）整合进层次化贝叶斯GLM框架，联合推断神经类型与连接结构。
• 实现在无外部刺激依赖情况下的稳健、可扩展的潜在特征推断，适用于多神经元记录数据。
• 证明仅凭动作电位发放相关性即可揭示具有生物学意义的模式，如视网膜神经节细胞类型和感受野位置。

提出的方法

• 采用层次化贝叶斯模型，结合用于动作电位发放生成的广义线性模型（GLMs）与灵活的图论先验，以描述神经连接结构。
• 利用Pólya-gamma扩展，实现对网络结构与潜在特征后验分布的高效退火Gibbs采样。
• 使用伯努利、二项或负二项分布似然函数并结合逻辑链接函数对脉冲计数进行建模，以处理数据的欠分散与过分散问题。
• 应用结构化先验，如用于离散潜在类型的随机块模型（SBM）和用于连续空间组织的潜在距离模型。
• 提出一种网络-GLM（NGLM）框架，其中网络结构通过脉冲响应调节神经元之间的自回归动态。
• 通过在保留神经元上的预测对数似然进行模型比较，选择邻接矩阵与权重模型的最佳组合。

实验结果

研究问题

• RQ1 是否能仅从相关动作电位发放活动（无需刺激信息）中发现潜在神经回路结构（如细胞类型和感受野位置）？
• RQ2 结构化网络先验（如SBM、潜在距离模型）在从动作电位发放中恢复具有生物学意义的组织结构方面表现如何？
• RQ3 所提出的贝叶斯网络-GLM框架是否在恢复空间与功能组织方面优于标准模型（如线性动态系统LDS）？
• RQ4 推断出的潜在特征在合成数据与真实神经数据中与真实生物学基准的相关性如何？
• RQ5 该方法能否在短时长记录中稳健识别功能连接模式与细胞类型身份？

主要发现

• 在视网膜数据中，用于邻接关系的潜在距离模型与用于权重的随机块模型（SBM）在保留神经元上的预测对数似然最高。
• 从网络GLM推断出的细胞距离与真实感受野距离高度相关（r ≈ 0.9），而基于LDS的定位则无此相关性。
• 推断出的细胞位置与真实位置几乎完全一致，仅相差仿射变换，证明了仅从脉冲相关性即可实现精确的空间恢复。
• 该方法成功基于推断权重中同类细胞的兴奋性与异类细胞的抑制性，识别出两种不同的视网膜神经节细胞类型（on型与off型）。
• 推断出的网络结构揭示了具有生物学合理性的模式：邻近神经元间连接概率更高，且基于潜在类型的权重分布特征分明。
• 该方法在捕捉与刺激无关的功能组织方面优于标准线性动态系统（LDS），尤其在将连接概率建模为距离函数方面表现更优。