基于数据的功能连接组学：秀丽隐杆线虫神经元网络的概率图模型
神经元与认知
2017-11-02 v1
摘要
我们提出一种数据驱动的方法，将神经元网络动力学表示为概率图模型（PGM）。我们的方法通过对分别施加于每个神经元的刺激所引发的网络响应动力学进行降维，来学习 PGM 的结构。所得模型捕捉了刺激如何在网络中传播，从而表示神经元之间的功能依赖关系，即功能连接组。使用 PGM 作为功能连接组的好处在于，后验推断可以高效完成，并规避动态神经元网络中响应通路直接推断的复杂性。特别地，后验推断揭示了已知刺激与下游神经元之间的关系，或允许查询哪些刺激与下游神经元相关联。为验证并作为我们方法的一个示例，我们将该方法应用于结构和动力学已被充分研究的秀丽隐杆线虫（Caenorhabditis elegans）神经系统模型。从其动力学模型中，我们收集网络响应的时间序列，并使用奇异值分解获得时间序列数据的低维投影。然后我们提取每个数据矩阵中的主导模式以获得成对依赖信息，并为完整的体神经系统建立图模型。该 PGM 使我们能够获取并验证在已知行为场景中占主导的潜在神经元通路，并检测新场景的可能通路。
引用
@article{arxiv.1711.00193,
title = {Functional Connectomics from Data: Probabilistic Graphical Models for Neuronal Network of C. elegans},
author = {Hexuan Liu and Jimin Kim and Eli Shlizerman},
journal= {arXiv preprint arXiv:1711.00193},
year = {2017}
}