[论文解读] Nonlinear Evolution via Spatially-Dependent Linear Dynamics for Electrophysiology and Calcium Data

Daniel Hernandez, Antonio Khalil Moretti+4 more|arXiv (Cornell University)|Nov 6, 2018

Neural dynamics and brain function参考文献 19被引用 9

一句话总结

该论文提出了变分推断非线性动力学（VIND），一种变分推断框架，通过局部线性动力系统（LLDS）使用空间依赖的线性动力学来建模非线性、平滑的潜在动力学。VIND 在电生理学、单细胞膜电位和广域钙成像数据集中的重建和预测任务中均达到最先进性能，预测均方误差显著降低，并发现了具有生物学可解释性的潜在维度。

ABSTRACT

Latent variable models have been widely applied for the analysis of time series resulting from experimental neuroscience techniques. In these datasets, observations are relatively smooth and possibly nonlinear. We present Variational Inference for Nonlinear Dynamics (VIND), a variational inference framework that is able to uncover nonlinear, smooth latent dynamics from sequential data. The framework is a direct extension of PfLDS; including a structured approximate posterior describing spatially-dependent linear dynamics, as well as an algorithm that relies on the fixed-point iteration method to achieve convergence. We apply VIND to electrophysiology, single-cell voltage and widefield imaging datasets with state-of-the-art results in reconstruction error. In single-cell voltage data, VIND finds a 5D latent space, with variables akin to those of Hodgkin-Huxley-like models. VIND's learned dynamics are further quantified by predicting future neural activity. VIND excels in this task, in some cases substantially outperforming current methods.

研究动机与目标

• 开发一种可扩展且准确的变分推断框架，用于建模序列神经科学数据中的非线性、平滑潜在动力学。
• 解决线性动态系统和标准变分近似在捕捉复杂非线性神经动力学方面的局限性。
• 在结构化、可处理的后验近似中实现潜在动力学（转移）与数据编码（识别）的解耦。
• 改进高维、噪声观测实验数据集中神经活动的生成建模与长时程预测。
• 从单细胞膜电位和群体成像数据中揭示具有生物学意义的潜在维度和动力学。

提出的方法

• VIND 采用结构化的近似后验，通过局部线性动态系统（LLDS）在潜在空间中建模非线性演化，其中转移矩阵在潜在状态空间中随位置变化。
• 该方法使用定点迭代优化变分目标，实现收敛并以时间点数量的线性时间复杂度实现高效推断。
• 通过允许近似后验共享生成模型动力学的确切非线性结构，扩展了 PfLDS 框架。
• 该框架将识别模型（将观测编码为潜在状态）与转移模型（动力学）分离，实现解耦推断。
• 通过从识别模型进行蒙特卡洛采样优化变分下界（ELBO），并反向传播梯度通过定点迭代过程。
• 该方法在 TensorFlow 中实现，并支持扩展至输入驱动和监督设置。

实验结果

研究问题

• RQ1 变分推断框架能否有效建模神经科学时间序列数据中的非线性、平滑潜在动力学？
• RQ2 一种镜像真实非线性动力学结构的结构化近似后验是否能提升重建与预测的准确性？
• RQ3 VIND 能否从未知单细胞膜电位记录中发现类似于霍奇金-赫胥黎模型变量的生物学可解释潜在维度？
• RQ4 VIND 学习到的动力学在多大程度上能泛化至神经活动的长时程预测？
• RQ5 从一个脑区（如左半球）学习到的潜在动力学在多大程度上能预测另一个脑区（如右半球）的活动？

主要发现

• VIND 在电生理学、单细胞膜电位和广域钙成像数据集上实现了最先进水平的重建误差，预测均方误差相比现有方法提升了一个数量级以上。
• 在单细胞膜电位数据中，VIND 识别出一个 5 维潜在空间，其分量与霍奇金-赫胥黎型离子通道动力学相似。
• VIND 展现出卓越的长时程预测能力，在预测 30 步后仍保持极低的精度下降，显著优于基线方法。
• 该模型成功从左半球潜在状态重建了广域成像中右半球皮层动力学，决定系数加权 R² 达到 0.49，优于 CCA 基线（R² = 0.45）。
• VIND 的潜在轨迹揭示了不同输入电流下不同的状态空间占据模式，从而在电生理学数据中清晰区分了不同试验类型。
• 该框架的推断算法与时间点数量呈线性扩展，可高效训练长时序神经时间序列。