Active learning of neural population dynamics using two-photon holographic optogenetics

要約

神経集団のモニタリングと摂動のための技術が近年進歩し、脳内回路の研究能力が大幅に向上した。特に、2光子ホログラフィックオプトジェネティクスにより、実験者が指定した個々の神経細胞群に正確な光刺激を与えることができるようになった。また、同時に2光子カルシウムイメージングを行うことで、神経集団全体で進行中および誘導された活動を測定することができる。光刺激パターンには膨大な可能性があり、また光刺激実験には時間がかかるという性質があるにもかかわらず、神経集団ダイナミクスの同定に最も効果的な光刺激パターンを決定するためのアルゴリズム研究はほとんど行われていない。ここでは、どのニューロンを刺激すれば、結果として得られる神経応答が神経集団活動の力学モデルに最もよく反映されるかを効率的に選択する方法を開発する。マウスの運動皮質における光刺激に対する神経集団応答を用いて、低ランク線形力学系モデルの有効性を実証し、有益な光刺激パターンを決定するために低ランク構造を利用する能動学習手順を開発する。実データと合成データの両方で我々のアプローチを実証し、場合によっては、所定の予測力に到達するのに必要なデータ量を2倍も削減することができた。我々の能動的刺激設計法は、低ランク回帰のための新しい能動的学習法に基づいており、これは独立した興味を引くものと思われる。

要約(オリジナル)

Recent advances in techniques for monitoring and perturbing neural populations have greatly enhanced our ability to study circuits in the brain. In particular, two-photon holographic optogenetics now enables precise photostimulation of experimenter-specified groups of individual neurons, while simultaneous two-photon calcium imaging enables the measurement of ongoing and induced activity across the neural population. Despite the enormous space of potential photostimulation patterns and the time-consuming nature of photostimulation experiments, very little algorithmic work has been done to determine the most effective photostimulation patterns for identifying the neural population dynamics. Here, we develop methods to efficiently select which neurons to stimulate such that the resulting neural responses will best inform a dynamical model of the neural population activity. Using neural population responses to photostimulation in mouse motor cortex, we demonstrate the efficacy of a low-rank linear dynamical systems model, and develop an active learning procedure which takes advantage of low-rank structure to determine informative photostimulation patterns. We demonstrate our approach on both real and synthetic data, obtaining in some cases as much as a two-fold reduction in the amount of data required to reach a given predictive power. Our active stimulation design method is based on a novel active learning procedure for low-rank regression, which may be of independent interest.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL