[论文解读] Inferring Neuronal Network Connectivity from Spike Data: A Temporal Datamining Approach

Debprakash Patnaik, P. S. Sastry+1 more|ArXiv.org|Mar 4, 2008

Neural dynamics and brain function参考文献 38被引用 22

一句话总结

本文提出一种基于频繁事件挖掘的时序数据挖掘方法，用于从多神经元动作电位发放序列数据中推断神经网络的连接结构。通过将动作电位事件建模为符号序列，并在神经生物学启发的约束条件下发现频繁的时序模式，该方法能有效识别兴奋性连接结构，包括突触链（synfire chains），即使在底层神经动力学特性变化的情况下也表现出鲁棒性，且在不同放电模型下均具有较高的计算效率。

ABSTRACT

Understanding the functioning of a neural system in terms of its underlying circuitry is an important problem in neuroscience. Recent developments in electrophysiology and imaging allow one to simultaneously record activities of hundreds of neurons. Inferring the underlying neuronal connectivity patterns from such multi-neuronal spike train data streams is a challenging statistical and computational problem. This task involves finding significant temporal patterns from vast amounts of symbolic time series data. In this paper we show that the frequent episode mining methods from the field of temporal data mining can be very useful in this context. In the frequent episode discovery framework, the data is viewed as a sequence of events, each of which is characterized by an event type and its time of occurrence and episodes are certain types of temporal patterns in such data. Here we show that, using the set of discovered frequent episodes from multi-neuronal data, one can infer different types of connectivity patterns in the neural system that generated it. For this purpose, we introduce the notion of mining for frequent episodes under certain temporal constraints; the structure of these temporal constraints is motivated by the application. We present algorithms for discovering serial and parallel episodes under these temporal constraints. Through extensive simulation studies we demonstrate that these methods are useful for unearthing patterns of neuronal network connectivity.

研究动机与目标

• 解决从高通量多神经元动作电位发放序列数据中推断功能神经连接性的挑战。
• 探究时序数据挖掘技术是否能有效揭示神经回路中具有生物学意义的连接模式。
• 开发一种与模型无关的方法，无需对底层神经动力学或突触模型做任何假设。
• 展示在时序约束下应用频繁事件挖掘技术，检测神经系统中串行与并行连接基序的实用性。
• 为将数据挖掘技术应用于神经信息学问题（特别是从节点级活动数据中识别微环路结构）奠定基础。

提出的方法

• 将动作电位发放数据建模为符号事件序列，其中每个事件表示某一神经元在特定时间点的放电。
• 应用频繁事件挖掘框架，从动作电位序列中发现重复出现的时序模式（事件）。
• 引入时序约束（如事件间时间间隔的上下限），基于神经生理学延迟（如突触传递延迟）来聚焦于具有生物学合理性的模式。
• 开发专用算法，在这些约束下发现串行事件（如A→B延迟5ms）和并行事件（如A→B和A→C在短时间内相继发生）。
• 采用统计显著性检验，区分频繁事件与随机出现的事件，其零假设扩展至独立泊松过程之外。
• 使用从两种不同神经元模型生成的模拟动作电位发放数据对方法进行验证，其输入-响应动力学特性各不相同。

实验结果

研究问题

• RQ1 在时序约束下，频繁事件挖掘能否有效检测出神经网络中由动作电位发放数据推断出的兴奋性连接模式？
• RQ2 当底层神经动力学特性（如放电率响应模型）发生变化时，该方法在识别连接结构方面的鲁棒性如何？
• RQ3 频繁事件在多大程度上能够重构完整的突触连接图，包括区分直接与间接通路？
• RQ4 该方法能否在不预先知晓网络结构的情况下，从未知的网络结构中检测到已知的网络基序（如突触链）？
• RQ5 在允许存在弱神经元相互作用的零假设下，需要何种统计框架来评估检测到的事件的显著性？

主要发现

• 该方法即使在底层神经元模型的输入-响应动力学特性不同时，仍能成功识别对应于已知连接模式（如突触链）的串行与并行事件。
• 频繁事件发现方法对神经元响应模型的变化具有鲁棒性，表现为在不同模拟放电率更新机制下，连接模式的检测结果保持一致。
• 该方法可在皮层培养物的模拟数据中检测到具有生物学合理性的连接基序，如A→B延迟5ms、A→C延迟10ms。
• 尽管检测到相同的频繁事件集合，当存在多条通路（如直接A→B→C与间接A→B→C连接）时，该方法无法完全解析确切的网络拓扑结构，表明需要结合额外的结构推断技术。
• 该算法计算效率高且与模型无关，适用于大规模动作电位发放序列分析。
• 本研究展示了时序数据挖掘在神经信息学中的潜力，并提示其在涉及动态系统中隐藏因果链的其他领域也具有广泛适用性。