[论文解读] Bayesian spike inference from calcium imaging data

Eftychios A. Pnevmatikakis, Josh Merel+2 more|arXiv (Cornell University)|Nov 27, 2013

Neural dynamics and brain function参考文献 13被引用 11

一句话总结

本文提出了一种基于贝叶斯方法的神经元动作电位序列推断技术，利用离散时间的吉布斯采样和连续时间的梅特罗波利斯-黑斯廷斯采样，从钙成像数据中推断动作电位。该方法实现了不确定性量化和超分辨率动作电位检测，其坍缩吉布斯采样器通过边际化处理干扰参数（如基线、初始钙浓度），显著提升了混合效率并降低了参数估计的方差，尤其在信噪比较低的条件下表现优异。

ABSTRACT

We present efficient Bayesian methods for extracting neuronal spiking information from calcium imaging data. The goal of our methods is to sample from the posterior distribution of spike trains and model parameters (baseline concentration, spike amplitude etc) given noisy calcium imaging data. We present discrete time algorithms where we sample the existence of a spike at each time bin using Gibbs methods, as well as continuous time algorithms where we sample over the number of spikes and their locations at an arbitrary resolution using Metropolis-Hastings methods for point processes. We provide Rao-Blackwellized extensions that (i) marginalize over several model parameters and (ii) provide smooth estimates of the marginal spike posterior distribution in continuous time. Our methods serve as complements to standard point estimates and allow for quantification of uncertainty in estimating the underlying spike train and model parameters.

研究动机与目标

• 为解决从信噪比较低、时间分辨率有限的钙成像信号中精确推断动作电位时间点的挑战。
• 提供一个系统化的贝叶斯框架，用于量化动作电位序列与模型参数估计中的不确定性。
• 通过在连续时间中任意分辨率采样动作电位时间点，实现超分辨率动作电位推断。
• 开发高效且可扩展的采样算法，即使在高分辨率或稀疏数据条件下仍保持计算可行性。
• 推导出对干扰参数（如基线、初始钙浓度）进行边际化的坍缩吉布斯采样器，以提升混合效率并降低后验估计的方差。

提出的方法

• 采用离散时间的块吉布斯采样，联合采样动作电位序列与模型参数（振幅、基线、初始钙浓度），并引入分层先验结构。
• 采用Rao-Blackwell化方案对基线和初始钙浓度进行边际化，提升后验估计效率。
• 在连续时间中应用梅特罗波利斯-黑斯廷斯采样，其提议分布基于信号残差，以在任意时间分辨率下探索动作电位时间点的位置。
• 利用对动作电位振幅和先验放电概率进行边际化的坍缩吉布斯采样器，降低维度并加速混合过程。
• 利用钙动态的一阶自回归（AR）过程结构，建模由动作电位输入引起的钙瞬变。
• 采用经验贝叶斯方法从数据中学习放电概率的超先验，实现无需先验放电率知识的自适应稀疏性建模。

实验结果

研究问题

• RQ1 在信噪比较低（SNR）的条件下，贝叶斯采样方法是否能比点估计提供更准确且具有不确定性感知的动作电位推断？
• RQ2 如何从钙成像数据中实现超分辨率动作电位推断，即时间分辨率低于时间窗的分辨率？
• RQ3 对干扰参数（如基线、初始钙浓度）进行坍缩吉布斯采样，是否能改善混合效率并降低后验估计的方差？
• RQ4 连续时间动作电位推断的计算复杂度是多少？其能否在高分辨率或稀疏数据条件下高效扩展？
• RQ5 在不同信噪比条件下，所提出的方法与标准MAP或非负去卷积方法相比，在准确性和鲁棒性方面表现如何？

主要发现

• 坍缩离散时间梅特罗波利斯化吉布斯采样器在低信噪比条件下仍能实现快速混合与低方差的参数估计，每次完整扫描的复杂度为O(T)。
• 连续时间梅特罗波利斯-黑斯廷斯采样器实现了超分辨率动作电位推断，可在一个时间窗内分配多个动作电位，并准确分辨紧密相邻的事件。
• 对基线和初始钙浓度浓度进行Rao-Blackwell化边际化，显著提升了后验估计的准确性和方差控制。
• 该方法在真实离体脊髓数据中成功恢复了真实的动作电位时间点，即使在信噪比较低时也优于标准MAP估计。
• 在连续时间中，该算法每轮完整采样的复杂度保持为O(K)，其中K为动作电位数量，因此在稀疏或高分辨率记录中仍具高效性。
• 通过经验贝叶斯学习放电概率的超先验，实现了无需先验放电率知识的自适应稀疏性建模。