利用变分自编码器从钙成像数据快速摊销推断神经活动

钙成像可实现神经活动的光学测量。由于细胞内钙浓度是神经活动的间接测量，需借助计算工具从荧光测量中推断真实的潜在放电活动。贝叶斯模型反演可用于解决此问题，但通常要么需要计算昂贵的 MCMC 采样，要么是更快但近似的最大后验优化。在此，我们引入一个灵活算法框架，用于从成像数据中快速、高效且准确地提取神经脉冲。利用变分自编码器的框架，我们提出通过训练深度神经网络来高效执行模型反演以摊销推断。识别网络经训练以从脉冲序列的后验分布中产生样本。一旦训练完成，执行推断仅需通过网络进行一次快速前向传播，无需迭代优化或采样。我们表明，摊销可灵活应用于广泛的非线性生成模型，并在计算时间上显著优于当前最优水平，同时达到具有竞争力的精度。我们的框架还能表示脉冲序列上的后验分布。我们通过提出首个概率方法，从树突棘钙成像中分离逆行动作电位与 putative 突触输入，证明了方法的通用性。