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、神経細胞活動を研究する上で、電気生理学に代わる強力な手法となっている。空間分解能が高く、侵襲の少ない方法でニューロンの大規模集団を測定できる。この技術は神経科学、神経工学、医学の分野で幅広く応用されており、研究者はニューロンの位置と活動の関係を調べることができる。最近の深層生成モデル（DGM）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関する洞察を提供する潜在的表現が明らかになった。しかし、これらのモデルはスパイク推論アルゴリズムに依存していることが多く、主に集団レベルのダイナミクスに焦点を当てているため、単一ニューロン解析への適用が制限されている。このギャップを解決するために、我々は自己回帰変分オートエンコーダ（AVAE）を用いた単一ニューロン表現学習の新しい枠組みを提案する。我々のアプローチは、スパイク推論アルゴリズムを必要とすることなく、個々のニューロンの時空間信号を低次元空間に埋め込む。AVAEは、より情報量が多く識別性の高い潜在表現を生成することで、従来の線形手法よりも優れており、可視化、クラスタリング、神経活動の理解などのタスクを改善する。さらに、AVAEの再構成性能は、学習された表現から元の蛍光信号を正確に復元する能力を実証し、最先端の技術を凌駕している。現実的なシミュレーションを用いて、我々のモデルが基本的な物理的特性と結合パターンを捉え、異なる発火と結合のタイプを区別できることを示している。これらの結果は、AVAEを単一ニューロン解析を進めるための多用途で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単一細胞データセットの将来的な統合に向けた基礎を築くものである。

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, DeepL