[论文解读] Unsupervised learning of control signals and their encodings in $ extit{C. elegans}$ whole-brain recordings

Charles Fieseler, Manuel Zimmer+1 more|arXiv (Cornell University)|Jan 23, 2020

Neural dynamics and brain function参考文献 5被引用 4

一句话总结

该论文提出一种全局线性动力系统，结合无监督学习的稀疏控制信号，用于从钙成像数据中建模秀丽隐杆线虫整个大脑的神经动力学。通过带控制的动态模态分解（DMDc），它将非线性群体动力学重构为由少数关键神经元驱动的线性演化，识别出与行为转换相关的控制信号，并具备跨时间延迟的预测编码能力。

ABSTRACT

Recent whole brain imaging experiments on $ extit{C. elegans}$ has revealed that the neural population dynamics encode motor commands and stereotyped transitions between behaviors on low dimensional manifolds. Efforts to characterize the dynamics on this manifold have used piecewise linear models to describe the entire state space, but it is unknown how a single, global dynamical model can generate the observed dynamics. Here, we propose a control framework to achieve such a global model of the dynamics, whereby underlying linear dynamics is actuated by sparse control signals. This method learns the control signals in an unsupervised way from data, then uses $ extit{ Dynamic Mode Decomposition with control}$ (DMDc) to create the first global, linear dynamical system that can reconstruct whole-brain imaging data. These control signals are shown to be implicated in transitions between behaviors. In addition, we analyze the time-delay encoding of these control signals, showing that these transitions can be predicted from neurons previously implicated in behavioral transitions, but also additional neurons previously unidentified. Moreover, our decomposition method allows one to understand the observed nonlinear global dynamics instead as linear dynamics with control. The proposed mathematical framework is generic and can be generalized to other neurosensory systems, potentially revealing transitions and their encodings in a completely unsupervised way.

研究动机与目标

• 开发一种全局线性动力系统模型，无需分段近似即可捕捉秀丽隐杆线虫中非线性神经群体动力学。
• 识别出稀疏且具有生物学可解释性的控制信号，这些信号驱动诸如向前运动、后退和转向等离散行为之间的转换。
• 理解这些控制信号如何在神经活动中被编码，并具备时间延迟的预测能力。
• 提供一种数据驱动的无监督框架，可应用于其他神经感觉系统，以识别转换机制。

提出的方法

• 将带控制的动态模态分解（DMDc）应用于全脑钙成像数据，以学习具有控制输入的全局线性动力系统。
• 采用无监督稀疏变量选择方法，识别出作为行为转换控制信号的最小神经元集合。
• 在编码分析中引入一种新颖的消除路径，以确定控制信号传播的时间尺度和神经基质。
• 将转换建模为作用于全局线性系统的稀疏瞬态信号，避免使用分段或混合动力学模型。
• 整合时间延迟分析，以从识别神经元的预激活模式预测转换。
• 通过比较预测动力学与观测到的全脑活动，验证重建质量。

实验结果

研究问题

• RQ1 一个具有控制输入的单一全局线性动力系统能否重建秀丽隐杆线虫全脑记录中观察到的复杂非线性神经动力学？
• RQ2 哪些神经元编码了负责启动向前运动、后退和转向等离散行为之间转换的控制信号？
• RQ3 在转换前的神经活动时序和序列能否通过识别出的控制信号实现时间延迟编码的预测？
• RQ4 与分段线性或局部线性模型相比，所提出的框架在重建行为动力学方面表现如何？
• RQ5 识别出的控制信号在不同行为状态下的生物学可解释性和泛化能力如何？

主要发现

• 基于DMDc的模型成功使用单一全局线性系统与稀疏控制信号重建了全脑钙成像数据，实现了高保真度的重建。
• 控制信号在少数神经元中被识别出来，包括先前已知的AVB和AIY等神经元，以及此前未与转换关联的新候选神经元。
• 时间延迟编码分析表明，行为转换可提前达1.5秒被预测，且预测能力跨越多种神经元类型。
• 该方法成功捕捉了向前运动及向后退/转向转换的动力学，但在长时间向前运动状态下重建质量下降，提示该状态可能存在内在复杂性或非线性。
• 该框架揭示，非线性动力学可被理解为线性动力学与稀疏瞬态控制输入的结合，相比分段或混合系统，提供了更简单且更具可解释性的模型。
• 无监督学习方法在无需预先标注行为状态的情况下，识别出具有生物学合理性的控制信号，为未来实验验证提供了假设生成基础。