解决神经连接推断中共同输入问题的散弹式采样方案
神经元与认知
2014-12-19 v2 定量方法
应用统计
摘要
推断神经元网络中的连接性仍是统计神经科学的关键挑战。“共同输入”问题构成了主要障碍：很难可靠地区分观测神经元对之间的因果连接与由未观测神经元的共同输入所引起的相关性。由于现有的记录技术仅允许我们以足够的时间分辨率同时采样大型网络的一小部分，因此忽略这些共同输入效应的朴素连接估计器会产生高度偏差。本研究提出了一种“散弹式”实验设计，即以串行方式短暂观测多个子网络。因此，虽然无法在任何给定时刻同时观测整个网络，但我们可能在整个实验过程中观测到其大部分内容。利用尖峰循环神经网络的广义线性模型，我们开发了可扩展的近似贝叶斯方法，以便在此类数据（每个时间仓仅观测到网络的一小部分）上进行网络推断。模拟结果表明，使用该方法：(1) 散弹式实验设计可以消除由共同输入效应引起的偏差。(2) 对于包含数千个神经元且在每个时间仓中仅观测到一小部分神经元的网络，可以实现快速且准确的估计。(3) 如果利用关于两个神经元之间存在连接概率的先验信息、其对神经元细胞类型（例如 Dale 定律）的依赖性或其对神经元间距离的依赖性，则可进一步提高性能。
引用
@article{arxiv.1309.3724,
title = {A shotgun sampling solution for the common input problem in neural connectivity inference},
author = {Daniel Soudry and Suraj Keshri and Patrick Stinson and Min-hwan Oh and Garud Iyengar and Liam Paninski},
journal= {arXiv preprint arXiv:1309.3724},
year = {2014}
}