[论文解读] Scalable Inference for Neuronal Connectivity from Calcium Imaging

Alyson K. Fletcher, Sundeep Rangan|arXiv (Cornell University)|Sep 1, 2014

Neural dynamics and brain function参考文献 23被引用 19

一句话总结

该论文提出了一种可扩展的贝叶斯推断方法，用于从钙成像数据中推断神经元连接性，通过将近似消息传递（AMP）与环状信念传播（loopy belief propagation）相结合，高效估计大规模神经回路中的动作电位发放时间与连接权重。该方法将系统分解为每个神经元的标量动力学模型，并通过连接矩阵实现线性耦合，从而利用一维滤波与矩阵运算实现快速计算，相比基于MCMC的方法显著缩短运行时间且保持高精度。

ABSTRACT

Fluorescent calcium imaging provides a potentially powerful tool for inferring connectivity in neural circuits with up to thousands of neurons. However, a key challenge in using calcium imaging for connectivity detection is that current systems often have a temporal response and frame rate that can be orders of magnitude slower than the underlying neural spiking process. Bayesian inference methods based on expectation-maximization (EM) have been proposed to overcome these limitations, but are often computationally demanding since the E-step in the EM procedure typically involves state estimation for a high-dimensional nonlinear dynamical system. In this work, we propose a computationally fast method for the state estimation based on a hybrid of loopy belief propagation and approximate message passing (AMP). The key insight is that a neural system as viewed through calcium imaging can be factorized into simple scalar dynamical systems for each neuron with linear interconnections between the neurons. Using the structure, the updates in the proposed hybrid AMP methodology can be computed by a set of one-dimensional state estimation procedures and linear transforms with the connectivity matrix. This yields a computationally scalable method for inferring connectivity of large neural circuits. Simulations of the method on realistic neural networks demonstrate good accuracy with computation times that are potentially significantly faster than current approaches based on Markov Chain Monte Carlo methods.

研究动机与目标

• 为解决从钙成像数据中进行神经元连接性贝叶斯推断时存在的计算瓶颈问题，传统EM方法因高维状态估计而速度缓慢。
• 开发一种可扩展的MCMC基推断替代方法，在显著降低计算时间的同时保持高精度，适用于大规模神经元群体。
• 利用神经元连接性的线性结构以及钙动态的可分解特性，实现跨神经元的高效消息传递。
• 通过近似推断技术克服钙成像中的时间模糊性，实现亚帧级动作电位发放时间的超分辨率估计。

提出的方法

• 该方法将每个神经元建模为标量漏电整合-发放（LIF）过程，并采用一阶自回归模型描述钙动态。
• 将联合神经状态分解为每个神经元独立的标量系统，其线性相互连接由连接矩阵W表示。
• 在LIF和钙动态的因子节点上应用环状信念传播，利用一维前向-后向滤波实现高效状态估计。
• 对于线性耦合项（W），采用近似消息传递（AMP），通过高斯和二次近似简化计算。
• 混合AMP-BP框架支持迭代更新：每次迭代包含2N个标量滤波器（每个神经元的膜电位和放电状态各一个），以及与W的矩阵-向量乘法。
• 该方法通过将高维非线性估计问题简化为一系列低维、可并行化的操作，实现可扩展推断。

实验结果

研究问题

• RQ1 近似消息传递能否与环状信念传播有效结合，以加速从钙成像数据中对大规模神经网络的状态估计？
• RQ2 如何克服钙成像中的时间模糊性，以高精度推断亚帧级的动作电位发放时间？
• RQ3 与基于EM的MCMC或Gibbs采样方法相比，混合AMP-BP方法在神经元连接性推断中具有何种计算优势？
• RQ4 在非线性动力系统中，神经元连接性的线性结构在多大程度上可被利用以降低推断复杂度？
• RQ5 该方法在扩展至数千个神经元时，能否保持高精度的连接性推断？

主要发现

• 所提出的混合AMP-BP方法在计算时间上显著优于基于MCMC的EM方法，同时保持了对钙成像数据中神经元连接性与放电时间的高精度推断。
• 在真实神经网络上的仿真结果表明，即使在低帧率和高噪声条件下，该方法仍能高精度重构真实的连接矩阵W。
• 计算时间随网络规模增长表现出良好可扩展性，使得在MCMC方法变得不可行的大规模神经网络（数千个神经元）中实现推断成为可能。
• 该方法通过利用神经系统的因子化结构，采用2N个并行的一维滤波器进行状态估计，极大降低了计算复杂度。
• 采用稀疏probit回归进行初始连接性估计，提供了稳健且快速的初始化步骤，支持整个推断流程。
• 该框架具有通用性，可通过模块化更新扩展以引入额外的生物学约束或噪声模型。