[论文解读] The neural ring: using algebraic geometry to analyze neural codes

Nora Youngs|arXiv (Cornell University)|Sep 8, 2014

Topological and Geometric Data Analysis参考文献 25被引用 4

一句话总结

本文引入了神经环和神经理想——通过代数几何编码神经编码完整组合结构的代数结构。通过将这些对象表示为典范形式，作者提供了一种方法，仅从神经活动模式中推断出潜在的接受场组织结构和刺激空间特征，建立了神经码映射与神经环同态之间的双射关系。

ABSTRACT

Neurons in the brain represent external stimuli via neural codes. These codes often arise from stimulus-response maps, associating to each neuron a convex receptive field. An important problem confronted by the brain is to infer properties of a represented stimulus space without knowledge of the receptive fields, using only the intrinsic structure of the neural code. How does the brain do this? To address this question, it is important to determine what stimulus space features can - in principle - be extracted from neural codes. This motivates us to define the neural ring and a related neural ideal, algebraic objects that encode the full combinatorial data of a neural code. We find that these objects can be expressed in a "canonical form" that directly translates to a minimal description of the receptive field structure intrinsic to the neural code. We consider the algebraic properties of homomorphisms between neural rings, which naturally relate to maps between neural codes. We show that maps between two neural codes are in bijection with ring homomorphisms between the respective neural rings, and define the notion of neural ring homomorphism, a special restricted class of ring homomorphisms which preserve neuron structure. We also find connections to Stanley-Reisner rings, and use ideas similar to those in the theory of monomial ideals to obtain an algorithm for computing the canonical form associated to any neural code, providing the groundwork for inferring stimulus space features from neural activity alone.

研究动机与目标

• 确定在不了解感受野的情况下，可从神经编码中推断出刺激空间的哪些特征。
• 开发捕捉神经编码完整组合结构的代数工具。
• 建立神经码映射与保持神经结构的环同态之间的对应关系。
• 提供一种基于单项理想理论计算神经编码典范形式的算法框架。
• 将神经编码与斯坦利-雷丝纳环联系起来，以实现更深层次的代数分析。

提出的方法

• 将神经环和神经理想定义为编码神经编码组合数据的代数对象。
• 将神经环表示为典范形式，直接反映编码中固有的最小感受场结构。
• 运用单项理想理论和斯坦利-雷丝纳环理论的技术，分析并计算典范形式。
• 建立神经码之间映射与神经环同态之间的双射关系，这些同态保持神经元层面的结构。
• 将神经环同态表征为一类受限的环同态，其尊重神经编码的组合框架。
• 开发一种算法，利用代数几何方法计算任意给定神经编码的典范形式。

实验结果

研究问题

• RQ1 在不了解感受野的情况下，仅从神经编码中可推断出刺激空间的哪些特征？
• RQ2 如何利用代数几何来表示和分析神经编码的组合结构？
• RQ3 神经码映射与它们对应神经环之间的环同态之间存在何种关系？
• RQ4 能否使用代数技术系统地计算神经编码的典范形式？
• RQ5 神经环与斯坦利-雷丝纳环等既有的代数结构有何关联？

主要发现

• 神经环和神经理想完全编码了神经编码的组合结构，使得对神经表征的代数分析成为可能。
• 神经环的典范形式提供了对编码内在固有接受场结构的最小且直接的描述。
• 神经码之间的映射与神经环同态之间存在双射关系，建立了代码变换与环层面映射之间的结构对应。
• 通过单项理想理论的方法，推导出一种计算任意神经编码典范形式的算法。
• 神经环的构造建立了与斯坦利-雷丝纳环的正式联系，丰富了神经编码分析的代数框架。
• 该框架原则上可通过利用神经环的代数不变量，仅从神经活动模式中推断出刺激空间的特征。