[论文解读] Fast amortized inference of neural activity from calcium imaging data with variational autoencoders

Artur Speiser, Jinyao Yan+4 more|arXiv (Cornell University)|Nov 6, 2017

Neural dynamics and brain function参考文献 25被引用 23

一句话总结

本文提出 DeepSpike，一种基于变分自编码器的框架，通过训练一个识别网络来近似脉冲发放的后验分布，从而实现从钙成像数据中快速、摊销式推断神经脉冲发放。该方法在保持高精度的同时实现了最先进水平的推理速度——仅需一次前向传播即可完成推理，且支持完整的后验估计，包括在树突成像中分离后向传播动作电位与突触输入等复杂任务。

ABSTRACT

Calcium imaging permits optical measurement of neural activity. Since intracellular calcium concentration is an indirect measurement of neural activity, computational tools are necessary to infer the true underlying spiking activity from fluorescence measurements. Bayesian model inversion can be used to solve this problem, but typically requires either computationally expensive MCMC sampling, or faster but approximate maximum-a-posteriori optimization. Here, we introduce a flexible algorithmic framework for fast, efficient and accurate extraction of neural spikes from imaging data. Using the framework of variational autoencoders, we propose to amortize inference by training a deep neural network to perform model inversion efficiently. The recognition network is trained to produce samples from the posterior distribution over spike trains. Once trained, performing inference amounts to a fast single forward pass through the network, without the need for iterative optimization or sampling. We show that amortization can be applied flexibly to a wide range of nonlinear generative models and significantly improves upon the state of the art in computation time, while achieving competitive accuracy. Our framework is also able to represent posterior distributions over spike-trains. We demonstrate the generality of our method by proposing the first probabilistic approach for separating backpropagating action potentials from putative synaptic inputs in calcium imaging of dendritic spines.

研究动机与目标

• 开发一种快速、可扩展且灵活的方法，用于从钙成像数据中推断神经脉冲发放，而无需依赖昂贵的迭代推断方法。
• 通过摊销变分推断，结合生成建模的优势（先验知识、无监督学习）与判别式推断的优势（速度、效率）。
• 实现对脉冲发放的完整后验估计，包括时间相关性，而不仅仅是逐点的放电率。
• 将该框架扩展至复杂推断任务，例如在树突钙成像中分离全局动作电位与局部突触输入。
• 构建一个通用的推断框架，适用于多种钙动力学生成模型，且无需针对特定模型修改算法。

提出的方法

• 该框架使用变分自编码器（VAE），其中包含一个随机识别网络，用于在给定荧光信号的情况下近似脉冲发放的后验分布。
• 识别网络采用深层多流架构，结合一维卷积神经网络（CNN）进行特征提取，以及两个循环神经网络（RNN）：一个时间正向、一个时间反向，以捕捉长程时间上下文。
• 模型通过随机变分推断（SVI）进行端到端训练，其中识别网络学习将荧光数据映射为脉冲发放近似后验样本。
• 推理阶段采用摊销策略：训练完成后，仅需通过识别网络进行一次前向传播即可完成脉冲推断，无需迭代优化或MCMC采样。
• 该框架支持完整的后验近似，包括对脉冲概率时间相关性的建模，并可扩展至多模态或多组分推断任务。
• 该方法已应用于模拟和真实钙成像数据，包括树突棘记录，成功实现了对后向传播动作电位与突触输入的分离。

实验结果

研究问题

• RQ1 通过训练好的识别网络实现摊销推断，是否能在速度和性能上超越传统的MCMC或MAP优化方法？
• RQ2 一个共享的、统一的识别模型是否能在无需微调的情况下，泛化至异质神经元群体和不同成像条件？
• RQ3 该框架是否能准确估计脉冲发放的完整后验分布，包括时间依赖性，而不仅仅是边际放电率？
• RQ4 该方法是否可扩展至复杂推断问题，例如在树突钙成像中分离全局动作电位与局部突触输入？
• RQ5 该方法在不同钙动力学生成模型中是否保持高精度，同时支持实时或闭环应用？

主要发现

• 所提方法实现了最先进水平的计算速度，训练完成后仅需一次前向传播即可完成推理，完全避免了迭代优化或MCMC采样。
• 在模拟数据上，该方法在胞体脉冲推断中平均相关系数达0.84，在树突脉冲推断中达0.78，优于Foopsi-RR基线方法（分别为0.66和0.60）。
• 识别网络成功建模了时间上的后验相关性，实现了完整的后验估计，而不仅仅是逐点的放电率预测。
• 该框架能够准确分离树突成像中的后向传播动作电位与突触输入，这一任务此前缺乏概率解法。
• 该方法在不同细胞类型和成像模态间具有良好泛化能力，训练好的识别模型可直接应用于新的相似数据集而无需重新训练。
• 由于推理速度快且推理阶段计算成本低，该方法具备可扩展性，适用于实时或闭环应用。