[论文解读] Neural System Identification with Spike-triggered Non-negative Matrix Factorization

Shanshan Jia, Zhaofei Yu+4 more|arXiv (Cornell University)|Aug 12, 2018

Neural dynamics and brain function参考文献 68被引用 4

一句话总结

本文提出脉冲触发非负矩阵分解（STNMF）方法，通过分析神经节细胞的动作电位放电响应，以识别视网膜神经回路的功能与结构特性。结果表明，STNMF能够提取空间感受野、时间滤波器、非线性特性、突触权重，并根据其突触前双极细胞来源对脉冲进行分类，展示了其在神经科学无监督系统辨识中的强大能力。

ABSTRACT

Neuronal circuits formed in the brain are complex with intricate connection patterns. Such complexity is also observed in the retina as a relatively simple neuronal circuit. A retinal ganglion cell receives excitatory inputs from neurons in previous layers as driving forces to fire spikes. Analytical methods are required that can decipher these components in a systematic manner. Recently a method termed spike-triggered non-negative matrix factorization (STNMF) has been proposed for this purpose. In this study, we extend the scope of the STNMF method. By using the retinal ganglion cell as a model system, we show that STNMF can detect various computational properties of upstream bipolar cells, including spatial receptive field, temporal filter, and transfer nonlinearity. In addition, we recover synaptic connection strengths from the weight matrix of STNMF. Furthermore, we show that STNMF can separate spikes of a ganglion cell into a few subsets of spikes where each subset is contributed by one presynaptic bipolar cell. Taken together, these results corroborate that STNMF is a useful method for deciphering the structure of neuronal circuits.

研究动机与目标

• 开发一种系统性、数据驱动的方法，从动作电位序列记录中识别视网膜神经回路的功能组分。
• 将STNMF框架从亚单位定位扩展至提取更详细的计算特性，如空间感受野、时间滤波器和传递非线性。
• 利用STNMF权重矩阵恢复双极细胞与视网膜神经节细胞之间的突触连接强度。
• 将神经节细胞脉冲分类为不同子集，每个子集对应一个特定的突触前双极细胞，从而实现输入源的功能去卷积。

提出的方法

• 对白噪声棋盘刺激触发的视网膜神经节细胞放电响应应用脉冲触发非负矩阵分解（STNMF）。
• 使用包含空间滤波器、时间滤波器（如OFF型滤波器）和阈值-线性非线性特性的最小两层神经网络模型，模拟视网膜回路动力学。
• 利用具有非负性约束的非负矩阵分解（NMF）对脉冲触发平均（STA）或脉冲触发协方差（STC）数据进行分解，以提取有意义的组分。
• 解码STNMF权重矩阵，将每个脉冲分配至特定的突触前双极细胞，实现脉冲子集分类。
• 通过合成数据（已知真实值）和真实视网膜神经节细胞记录数据对结果进行验证。
• 引入稀疏性约束以增强所学习组分的可解释性，使其与感觉神经元的局部感受野结构一致。

实验结果

研究问题

• RQ1 STNMF能否从未知的神经节细胞放电响应中提取上游双极细胞的空间感受野和时间滤波器？
• RQ2 STNMF能否恢复双极细胞到神经节细胞突触的传递非线性（如阈值-线性）？
• RQ3 STNMF能否估计单个双极细胞与神经节细胞之间的突触权重？
• RQ4 STNMF能否将神经节细胞放电分类为不同子集，每个子集对应一个不同的突触前双极细胞？
• RQ5 当应用于真实生物视网膜数据（真实值未知）时，STNMF在识别回路组分方面的表现如何？

主要发现

• STNMF成功恢复了双极细胞的空间感受野，能将亚单位输入准确地定位至2×2像素区域的刺激区域。
• 该方法识别出时间滤波器，包括与已知视网膜回路生理特性一致的OFF型动力学。
• STNMF恢复了双极细胞的传递非线性，显示出与模拟模型一致的阈值-线性行为。
• 从STNMF权重矩阵中推导出的突触权重与模拟网络中的已知连接强度高度相关。
• STNMF将神经节细胞放电分类为不同子集，每个子集均与单个突触前双极细胞强相关，经真实值数据验证。
• 当应用于真实视网膜神经节细胞数据时，STNMF产生相似结果，表明该方法具有鲁棒性与生物学相关性。