[论文解读] Inferring and Learning from Neuronal Correspondences

Ashish Kapoor, E. Paxon Frady+3 more|arXiv (Cornell University)|Jan 23, 2015

Cell Image Analysis Techniques参考文献 39被引用 3

一句话总结

本文提出了一种机器学习框架，用于推断多个水蛭神经系统之间的神经元对应关系，从而实现对不同动物神经数据的联合分析。通过结合度量学习、概率主成分分析（pPCA）和图匹配方法，该方法在细胞数量和属性存在变异的情况下，仍能实现跨动物的神经元对齐，显著提升了对合并数据中行为状态的预测能力。

ABSTRACT

We introduce and study methods for inferring and learning from correspondences among neurons. The approach enables alignment of data from distinct multiunit studies of nervous systems. We show that the methods for inferring correspondences combine data effectively from cross-animal studies to make joint inferences about behavioral decision making that are not possible with the data from a single animal. We focus on data collection, machine learning, and prediction in the representative and long-studied invertebrate nervous system of the European medicinal leech. Acknowledging the computational intractability of the general problem of identifying correspondences among neurons, we introduce efficient computational procedures for matching neurons across animals. The methods include techniques that adjust for missing cells or additional cells in the different data sets that may reflect biological or experimental variation. The methods highlight the value harnessing inference and learning in new kinds of computational microscopes for multiunit neurobiological studies.

研究动机与目标

• 解决在神经元数量和属性存在生物和实验变异的情况下，跨多个动物匹配神经元的挑战。
• 通过整合多个水蛭制备样本的数据，实现对神经回路和行为的联合推断。
• 开发一种可扩展且计算高效的对应匹配方法，适用于超过两个动物的场景，克服NP难问题的复杂性。
• 通过利用多个动物对齐后的数据，提升行为状态判别（例如游泳与爬行）的准确性和及时性。
• 提供一种可推广的框架，适用于其他无脊椎动物和脊椎动物神经系统，实现数据整合与分析。

提出的方法

• 将神经元对应关系建模为基于物理和功能神经元特征的可学习兼容性函数的二部图匹配问题。
• 通过度量学习学习一种马氏距离风格的度量，以定义跨动物神经元对之间的相似性，使用用户提供的匹配/非匹配对作为监督信号。
• 通过求解约束优化问题（公式3）迭代恢复对应映射，该问题在确保一一对应的同时最大化总兼容性。
• 对经排列的数据矩阵 Y（由跨动物对齐的神经元构建）应用概率主成分分析（pPCA），以推断缺失或未观测到的神经元活动。
• 整合六个水蛭制备样本的数据，每个动物的神经节数据表示为一组时间序列电压敏感荧光染料信号。
• 对合并并已对齐的数据应用 ISOMAP 进行非线性降维，以一致地可视化和比较不同动物的行为状态。

实验结果

研究问题

• RQ1 尽管存在细胞数量和实验伪影的差异，是否能可靠地推断多个水蛭制备样本之间的神经元对应关系？
• RQ2 与单个动物分析相比，利用推断出的对应关系对多个动物的神经数据进行合并，是否能提升行为状态预测的准确性和速度？
• RQ3 学习到的兼容性度量是否能有效识别不同动物之间神经元的功能和结构对应关系？
• RQ4 在对齐的数据上使用概率主成分分析（pPCA）在多大程度上能改善对缺失或未观测神经元活动的恢复？
• RQ5 该框架是否可扩展以实现实时指导正在进行的实验，通过使用学习到的神经元对应模型？

主要发现

• 该方法通过结合度量学习与图匹配，成功在六个水蛭制备样本之间推断出一一对应的神经元关系，即使存在缺失或额外细胞的情况。
• 对齐神经元的合并数据使游泳与爬行行为状态的判别更早且更显著，优于单个动物数据的分析结果。
• 在对齐数据上使用 ISOMAP 进行非线性投影，揭示了所有动物中一致的轨迹，而单个动物的投影则不一致。
• 在对齐数据矩阵 Y 上使用概率主成分分析（pPCA）有效实现了对缺失神经元活动的推断，提升了数据的完整性。
• 该框架表明，通过对应关系推断实现多个动物的联合分析，能获得关于神经回路功能更稳健和更具泛化能力的见解。
• 该方法实现了跨动物行为动力学的一致可视化与分析，克服了单个制备样本之间的变异。