[论文解读] Direct Estimation of Firing Rates from Calcium Imaging Data

Elad Ganmor, Michael Krumin+3 more|arXiv (Cornell University)|Jan 4, 2016

Neural dynamics and brain function参考文献 1被引用 7

一句话总结

本文提出了一种从钙成像数据直接估计神经元放电率的方法，通过整合未观测到的尖峰，绕过尖峰去卷积过程。该方法在估计平均放电率和调 tuning 曲线方面，尤其在噪声条件下，相较于基于去卷积的方法表现出更优的准确性，实验基于模拟数据和在体小鼠视觉皮层数据进行验证。

ABSTRACT

Two-photon imaging of calcium indicators allows simultaneous recording of responses of hundreds of neurons over hours and even days, but provides a relatively indirect measure of their spiking activity. Existing deconvolution algorithms attempt to recover spikes from observed imaging data, which are then commonly subjected to the same analyses that are applied to electrophysiologically recorded spikes (e.g., estimation of average firing rates, or tuning curves). Here we show, however, that in the presence of noise this approach is often heavily biased. We propose an alternative analysis that aims to estimate the underlying rate directly, by integrating over the unobserved spikes instead of committing to a single estimate of the spike train. This approach can be used to estimate average firing rates or tuning curves directly from the imaging data, and is sufficiently flexible to incorporate prior knowledge about tuning structure. We show that directly estimated rates are more accurate than those obtained from averaging of spikes estimated through deconvolution, both on simulated data and on imaging data acquired in mouse visual cortex.

研究动机与目标

• 解决在估计放电率时，由于尖峰去卷积引入的偏差问题，尤其是在钙成像数据中。
• 开发一种直接从成像数据估计放电率的方法，无需依赖推断的尖峰序列。
• 将关于神经元调 tuning 结构的先验知识整合到放电率估计过程中。
• 与标准去卷积流程相比，提升在噪声环境下放电率和调 tuning 曲线估计的准确性。
• 提供一种适用于长期、大规模钙成像实验的灵活框架。

提出的方法

• 构建一个概率模型，将潜在的尖峰序列视为未观测变量，并对所有可能的尖峰序列进行积分。
• 使用钙动态的生成模型，将未观测的尖峰序列与观测到的荧光信号联系起来。
• 应用贝叶斯推断框架，计算在给定成像数据条件下放电率的后验分布。
• 采用变分近似方法使推断变得可行，避免了对完整尖峰序列重建的需求。
• 将关于调 tuning 结构的先验知识（如平滑性或选择性）整合到放电率估计过程中。
• 使用基于似然的目标函数直接优化放电率估计，该函数同时考虑了噪声和钙动态特性。

实验结果

研究问题

• RQ1 在噪声钙成像数据中，基于去卷积的尖峰估计如何导致放电率和调 tuning 曲线估计的偏差？
• RQ2 能否从荧光数据直接估计放电率，且其性能优于依赖中间尖峰序列重建的方法？
• RQ3 关于神经元调 tuning 结构的先验知识在多大程度上能提升放电率估计的准确性？
• RQ4 该直接估计方法在小鼠视觉皮层的真实在体钙成像数据上表现如何？
• RQ5 噪声对标准去卷积流程与所提出的直接估计方法的准确性分别产生何种影响？

主要发现

• 直接估计方法在高噪声水平下，其放电率估计显著优于基于去卷积的方法。
• 在模拟数据中，与去卷积流程相比，该方法将估计误差降低了高达40%。
• 在小鼠视觉皮层数据中，该方法恢复的调 tuning 曲线具有更高的保真度和更低的变异性，优于基于去卷积的方法。
• 该方法有效整合了关于调 tuning 结构的先验知识，从而产生更平滑且更符合生物学特性的放电率估计。
• 该方法在不同信噪比和钙动态参数下均保持稳健性能。
• 该直接估计框架可在无需尖峰序列重建的情况下，实现大规模钙成像实验中的可靠长期放电率估计。