Single-neuron deep generative model uncovers underlying physics of neuronal activity in Ca imaging data

要約

カルシウムイメージングは​​、ニューロン活動を研究するための電気生理学に代わる強力な代替手段となり、空間分解能と低侵襲方法で大規模なニューロン集団を測定する機能を提供します。
この技術は神経科学、神経工学、医学に幅広く応用でき、研究者がニューロンの位置と活動の関係を調査できるようになります。
深層生成モデル (DGM) の最近の進歩により、ニューロン集団ダイナミクスのモデリングが容易になり、行動予測やニューロンの分散に対する洞察を提供する潜在的な表現が明らかになりました。
ただし、これらのモデルはスパイク推論アルゴリズムに依存することが多く、主に母集団レベルのダイナミクスに焦点を当てているため、単一ニューロン分析への適用性が制限されています。
このギャップに対処するために、自己回帰変分オートエンコーダ (AVAE) を使用した単一ニューロン表現学習のための新しいフレームワークを提案します。
私たちのアプローチは、スパイク推論アルゴリズムを必要とせずに、個々のニューロンの時空間信号を低次元空間に埋め込みます。
AVAE は、より有益で識別力のある潜在表現を生成し、視覚化、クラスタリング、ニューロン活動の理解などのタスクを改善することで、従来の線形手法よりも優れています。
さらに、AVAE の再構成パフォーマンスは最新技術を上回っており、学習した表現から元の蛍光信号を正確に復元できる能力を示しています。
現実的なシミュレーションを使用して、モデルが基礎的な物理特性と接続パターンを捕捉し、異なる発火と接続のタイプを区別できることを示します。
これらの発見は、AVAE を単一ニューロン解析を進めるための多用途かつ強力なツールとして位置づけ、神経科学におけるマルチモーダルな単一細胞データセットの将来の統合の基礎を築きます。

要約(オリジナル)

Calcium imaging has become a powerful alternative to electrophysiology for studying neuronal activity, offering spatial resolution and the ability to measure large populations of neurons in a minimally invasive manner. This technique has broad applications in neuroscience, neuroengineering, and medicine, enabling researchers to explore the relationship between neuron location and activity. Recent advancements in deep generative models (DGMs) have facilitated the modeling of neuronal population dynamics, uncovering latent representations that provide insights into behavior prediction and neuronal variance. However, these models often rely on spike inference algorithms and primarily focus on population-level dynamics, limiting their applicability for single-neuron analyses. To address this gap, we propose a novel framework for single-neuron representation learning using autoregressive variational autoencoders (AVAEs). Our approach embeds individual neurons’ spatiotemporal signals into a reduced-dimensional space without the need for spike inference algorithms. The AVAE excels over traditional linear methods by generating more informative and discriminative latent representations, improving tasks such as visualization, clustering, and the understanding of neuronal activity. Additionally, the reconstruction performance of the AVAE outperforms the state of the art, demonstrating its ability to accurately recover the original fluorescence signal from the learned representation. Using realistic simulations, we show that our model captures underlying physical properties and connectivity patterns, enabling it to distinguish between different firing and connectivity types. These findings position the AVAE as a versatile and powerful tool for advancing single-neuron analysis and lays the groundwork for future integration of multimodal single-cell datasets in neuroscience.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google