[论文解读] Connectivity Inference from Neural Recording Data: Challenges, Mathematical Bases and Research Directions

Ildefons Magrans de Abril, Junichiro Yoshimoto+1 more|arXiv (Cornell University)|Aug 6, 2017

Neural dynamics and brain function被引用 3

一句话总结

本文综述了从多电极记录和钙成像数据中推断神经连接性的计算方法，将方法分类为无模型（例如偏相关、转移熵）和基于模型（例如广义线性模型、贝叶斯推断）两类。文章指出了隐藏神经元和非平稳性等关键挑战，并强调需要采用生物物理上合理的模型以及整合解剖学先验信息，以提升介观神经回路水平的推断准确性和计算效率。

ABSTRACT

This article presents a review of computational methods for connectivity inference from neural activity data derived from multi-electrode recordings or fluorescence imaging. We first identify biophysical and technical challenges in connectivity inference along the data processing pipeline. We then review connectivity inference methods based on two major mathematical foundations, namely, descriptive model-free approaches and generative model-based approaches. We investigate representative studies in both categories and clarify which challenges have been addressed by which method. We further identify critical open issues and possible research directions.

研究动机与目标

• 系统化整理从多电极阵列和钙荧光成像获取的高维神经活动数据中推断神经连接性的挑战。
• 阐明功能连接、有效连接和解剖连接之间的区别及其各自的推断方法。
• 评估无模型和基于模型的方法在数据处理流程中应对特定挑战的能力。
• 识别开放性问题，如隐藏神经元和非平稳性的影响，并提出改进推断和计算性能的未来研究方向。
• 强调将先验生物学知识——尤其是解剖学和结构先验——整合到连接性推断框架中，以提升准确性和效率。

提出的方法

• 将连接性推断方法分为两类数学基础：描述性、无模型方法（例如偏相关、转移熵）和生成性、基于模型方法（例如广义线性模型、贝叶斯推断）。
• 回顾两类方法中的代表性方法，分析其在应对间接影响、隐藏神经元和神经活动非平稳性等挑战方面的能力。
• 提出通过正则化回归（例如自适应弹性网络）和图稀疏化整合解剖学先验，以保持网络特性并提升推断性能。
• 探索多任务特征选择和克罗内克（Kronecker）模型，以利用皮层柱和层之间的重复性结构组织，实现在数据有限情况下的更优推断。
• 强调采用计算效率技术以处理宽场钙成像和高密度记录产生的大规模数据。
• 建议将功能约束和先验知识整合到推断框架中，以指导模型选择并提升鲁棒性。

实验结果

研究问题

• RQ1 神经数据处理中的生物物理和实验技术挑战如何影响连接性推断的可靠性？
• RQ2 无模型方法（如偏相关和转移熵）在最小化间接影响的前提下，能在多大程度上准确推断有效连接性？
• RQ3 基于模型的方法（如广义线性模型和贝叶斯推断）如何改善神经元之间因果影响的估计？
• RQ4 解剖学先验和结构规律性（如柱状重复性）在提升推断准确性和计算效率方面发挥什么作用？
• RQ5 连接性推断中最为紧迫的开放性问题是什么，特别是关于隐藏神经元和非平稳动力学的，应如何解决？

主要发现

• 无模型方法（如偏相关和转移熵）在估计功能连接和有效连接方面有效，但可能无法区分直接与间接影响。
• 基于模型的方法（如广义线性模型和贝叶斯推断）通过建模神经活动的因果动态，能更准确地推断有效连接性。
• 通过正则化回归（如自适应弹性网络）整合解剖学先验，可显著提升推断性能和计算效率。
• 利用皮层柱间结构重复性的多任务学习和克罗内克（Kronecker）模型，可在数据有限时提升推断准确性，减少过拟合。
• 隐藏神经元和非平稳性仍是主要挑战，尤其在大规模记录中，当前方法对此关注不足。
• 未来连接性推断的改进需要更生物物理上真实的模型，并整合功能约束作为先验信息，以更好地实现结构与功能的关联。