[论文解读] LeMoNADe: Learned Motif and Neuronal Assembly Detection in calcium imaging videos

Elke Kirschbaum, Manuel Haußmann+7 more|arXiv (Cornell University)|Jun 26, 2018

Neural dynamics and brain function参考文献 60被引用 6

一句话总结

LeMoNADe 是一种深度学习框架，可直接从钙成像视频中检测神经元放电图样和集合，无需进行动作电位提取或细胞分割。通过使用具有伯努利分布潜在变量的变分自编码器（VAE）和 Gumbel-softmax 重参数化方法，实现了端到端、可微分的图样发现，在合成数据上达到最先进性能，并在真实海马切片数据中揭示了具有生物学合理性的图样。

ABSTRACT

Neuronal assemblies, loosely defined as subsets of neurons with reoccurring spatio-temporally coordinated activation patterns, or "motifs", are thought to be building blocks of neural representations and information processing. We here propose LeMoNADe, a new exploratory data analysis method that facilitates hunting for motifs in calcium imaging videos, the dominant microscopic functional imaging modality in neurophysiology. Our nonparametric method extracts motifs directly from videos, bypassing the difficult intermediate step of spike extraction. Our technique augments variational autoencoders with a discrete stochastic node, and we show in detail how a differentiable reparametrization and relaxation can be used. An evaluation on simulated data, with available ground truth, reveals excellent quantitative performance. In real video data acquired from brain slices, with no ground truth available, LeMoNADe uncovers nontrivial candidate motifs that can help generate hypotheses for more focused biological investigations.

研究动机与目标

• 开发一种直接从钙成像视频中检测重复时空神经元放电模式（图样）的方法。
• 绕过细胞分割和放电时间提取等易出错的中间步骤。
• 利用深度生成建模实现端到端、可微分的图样发现。
• 为长时间钙成像视频提供可扩展且高效的训练方案。
• 在具有真实标签的合成数据上验证该方法，并将其应用于真实生物数据集以生成假说。

提出的方法

• LeMoNADe 采用变分自编码器（VAE），其离散随机瓶颈使用伯努利先验，以建模稀疏且尖锐的图样激活。
• 利用 Gumbel-softmax 重参数化技巧，实现通过离散潜在变量的基于梯度的优化。
• 模型采用 β-VAE 损失，并引入可学习的 β 系数，以平衡重建误差与正则化。
• 图样直接从解码器滤波器中提取，而激活时间则从潜在空间表示中推导得出。
• 提出一种新型训练方案，通过将视频划分为具有共享潜在代码的重叠片段，实现对任意长钙成像视频的处理。
• 该框架使用 PyTorch 实现，并在 GitHub 上发布，以确保可复现性并供社区使用。

实验结果

研究问题

• RQ1 深度生成模型能否在无需动作电位提取的情况下，直接从钙成像视频中检测出具有生物学意义的神经元放电图样？
• RQ2 LeMoNADe 在性能上与依赖预提取放电时间的最先进图样检测方法相比如何？
• RQ3 温度参数（â）和 β-VAE 系数等超参数对图样发现质量有何影响？
• RQ4 LeMoNADe 能否在无真实标签的真实钙成像数据中发现非平凡且可重复的图样？
• RQ5 该方法对钙成像数据中的噪声和伪影（包括信噪比低导致的假阳性及钙动力学影响）的鲁棒性如何？

主要发现

• 在具有真实标签的合成钙成像数据上，LeMoNADe 的性能与需要放电时间矩阵的最先进图样检测方法相当。
• 该方法成功检测到真实海马切片钙成像数据中非平凡的、重复出现的时空放电模式，表明存在具有生物学合理性的神经元集合。
• 对 â 和 β_KL 的超参数调优显著影响图样质量，最优值可生成清晰、可解释的图样，并避免对噪声的过拟合。
• Gumbel-softmax 重参数化有效实现了通过离散潜在变量的反向传播，支持低方差的端到端训练。
• 该模型展现出计算效率和可扩展性，通过分段训练策略实现了对长钙成像视频的处理。
• 重建视频和图样叠加的可视化结果表明，LeMoNADe 成功捕捉到了数据中存在的重要时空模式。