Generalization of generative model for neuronal ensemble inference method

要約

生命活動を維持するために必要なさまざまな脳機能は、無数のニューロンの相互作用によって実現されています。
したがって、機能的な神経回路網の構造を解析することは重要です。
脳機能のメカニズムを解明するために、神経科学のあらゆる領域を含め、機能的な神経細胞集合体およびハブの構造に関する多くの研究が活発に行われています。
さらに、最近の研究は、機能的な神経細胞集合体とハブの存在が情報処理の効率に寄与することを示唆しています。
これらの理由から、神経活動データから機能的な神経細胞集団を推定する方法が求められており、ベイジアン推定に基づく方法が提案されています。
ただし、ベイジアン推論でアクティビティをモデル化するには問題があります。
各ニューロンの活動の特徴は、生理学的実験条件によって非定常性を持ちます。
その結果、ベイジアン推論モデルにおける定常性の仮定が推論を阻害し、推論結果の不安定化や推論精度の低下につながります。
この研究では、神経細胞の状態を表す変数の範囲を拡張し、拡張された変数のモデルの可能性を一般化します。
以前の研究と比較することにより、私たちのモデルはより広い空間で神経細胞の状態を表現できます。
バイナリ入力を制限しないこの一般化により、ソフト クラスタリングを実行し、その方法を非定常神経活動データに適用することができます。
さらに、この方法の有効性を確認するために、開発した方法を、漏出統合発火モデルの電位データから生成された複数の合成蛍光データに適用します。

要約(オリジナル)

Various brain functions that are necessary to maintain life activities materialize through the interaction of countless neurons. Therefore, it is important to analyze the structure of functional neuronal network. To elucidate the mechanism of brain function, many studies are being actively conducted on the structure of functional neuronal ensemble and hub, including all areas of neuroscience. In addition, recent study suggests that the existence of functional neuronal ensembles and hubs contributes to the efficiency of information processing. For these reasons, there is a demand for methods to infer functional neuronal ensembles from neuronal activity data, and methods based on Bayesian inference have been proposed. However, there is a problem in modeling the activity in Bayesian inference. The features of each neuron’s activity have non-stationarity depending on physiological experimental conditions. As a result, the assumption of stationarity in Bayesian inference model impedes inference, which leads to destabilization of inference results and degradation of inference accuracy. In this study, we extend the range of the variable for expressing the neuronal state, and generalize the likelihood of the model for extended variables. By comparing with the previous study, our model can express the neuronal state in larger space. This generalization without restriction of the binary input enables us to perform soft clustering and apply the method to non-stationary neuroactivity data. In addition, for the effectiveness of the method, we apply the developed method to multiple synthetic fluorescence data generated from the electrical potential data in leaky integrated-and-fire model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google