[论文解读] Testing the Odds of Inherent versus Observed Over-dispersion in Neural Spike Counts Odds of Inherent versus Observed Over-dispersion

Wahiba Taouali, Giacomo Benvenuti+3 more|arXiv (Cornell University)|Nov 14, 2016

Neural dynamics and brain function参考文献 69被引用 5

一句话总结

本文提出一种统计检验方法，利用负二项分布区分神经动作电位计数中的固有过度离散与试验次数限制。结果表明，过度离散更可能是生物固有的而非试验次数有限所致，且在显式建模过度离散时，解码准确率得到提升，尤其在经过调制的过度离散假设下效果更显著。

ABSTRACT

The repeated presentation of an identical visual stimulus in the receptive field of a neuron may evoke different spiking patterns at each trial. Probabilistic methods are essential to understand the functional role of this variance within the neural activity. In that case, a Poisson process is the most common model of trial-to-trial variability. For a Poisson process, the variance of the spike count is constrained to be equal to the mean, irrespective of the duration of measurements. Numerous studies have shown that this relationship does not generally hold. Specifically, a majority of electrophysiological recordings show an " over-dispersion " effect: Responses that exhibit more inter-trial variability than expected from a Poisson process alone. A model that is particularly well suited to quantify over-dispersion is the Negative-Binomial distribution model. This model is well-studied and widely used but has only recently been applied to neuroscience. In this paper, we address three main issues. First, we describe how the Negative-Binomial distribution provides a model apt to account for overdispersed spike counts. Second, we quantify the significance of this model for any neurophysiological data by proposing a statistical test, which quantifies the odds that over-dispersion could be due to the limited number of repetitions (trials). We apply this test to three neurophysiological tests along the visual pathway. Finally, we compare the performance of this model to the Poisson model on a population decoding task. We show that the decoding accuracy is improved when accounting for over-dispersion, especially under the hypothesis of tuned over-dispersion.

研究动机与目标

• 为解决神经动作电位计数中长期存在的过度离散问题，即方差超过均值，与泊松模型矛盾。
• 开发一种统计检验方法，量化观测到的过度离散是由于试验次数有限而非神经活动固有变异性所致的可能性。
• 在群体解码任务中评估负二项分布模型相对于泊松模型的性能表现。
• 研究过度离散是否在视觉通路中系统性变化，以及是否与刺激特征（如MT神经元中的运动方向）相关。

提出的方法

• 使用负二项分布对神经动作电位计数进行建模，该分布允许方差超过均值，从而捕捉过度离散现象。
• 应用似然比检验比较泊松模型与负二项分布模型对实测动作电位计数数据的拟合优度。
• 通过在相同试验次数下基于泊松假设模拟数据，计算过度离散由有限试验次数导致的可能性。
• 使用费诺因子量化变异性，并将观测值与泊松和负二项分布模型下的预期值进行比较。
• 采用泊松和负二项分布模型进行群体解码，以评估分类准确率。
• 利用猕猴外侧膝状体（LGN）、初级视觉皮层（V1）和中颞叶皮层（MT）区域的细胞外记录数据及受控视觉刺激进行分析。

实验结果

研究问题

• RQ1 观测到的神经动作电位计数中的过度离散是否具有统计显著性，还是可由试验次数有限解释？
• RQ2 负二项分布模型在拟合视觉通路中各区域实测动作电位计数分布时，相较于泊松模型表现如何？
• RQ3 在群体编码任务中，若考虑过度离散，是否能提升解码准确率？
• RQ4 过度离散是否与刺激特征（如MT神经元中的运动方向）相关？
• RQ5 过度离散是神经放电的固有属性，而非低试验次数导致的伪影的可能性有多大？

主要发现

• 统计检验表明，神经动作电位计数中的过度离散显著更可能为生物固有特性，而非试验次数有限所致，尤其在MT神经元中表现明显。
• 在V1、LGN和MT区域，负二项分布模型对动作电位计数数据的拟合显著优于泊松模型，表现为更高的对数似然值和更低的AIC值。
• 与泊松模型相比，使用负二项分布模型可显著提升解码准确率，尤其在经过调制的过度离散假设下。
• 在MT神经元中，过度离散系统性地受刺激方向调制，表明其在群体编码中具有功能性作用。
• 大多数记录神经元的费诺因子超过1，证实了过度离散的普遍性，其值在视觉通路中从1.1到2.0以上不等。
• 在大多数情况下，过度离散由试验次数有限导致的几率较低（p < 0.05），支持负二项分布模型的生物学相关性。