利用非负样条回归从不完整示踪数据获取高分辨率神经连接

全脑神经连接数据现已可从病毒示踪实验获得，其揭示了源注射位点与脑内其他位置之间的连接。这些有望揭示整个哺乳动物脑的连接空间模式。为实现此目标，我们寻求利用病毒示踪数据在100 $\mu$m脑“体素”间拟合一个加权的非负邻接矩阵。尽管有多年的实验努力，注射提供的覆盖不完整，且我们数据中的体素数比注射数大几个数量级，使得问题严重欠定。此外，由于局部连接无法与注射信号分离，注射位点内的投影数据缺失。我们使用一种新颖的机器学习算法应对这些挑战，并开发了小鼠视觉系统的空间显式、体素尺度连接图。我们的方法结合三个特征：用于缺失数据的矩阵补全损失、用于正则化问题的平滑样条惩罚，以及（可选的）低秩分解。我们利用合成数据证明了估计量的一致性，然后将其应用于新近可用的艾伦小鼠脑连接图谱视觉系统数据。我们的算法比当前假设区域均质的先进方法具有显著更高的预测性。我们展示了低秩版本在视觉皮层数据上的效力，并讨论了将其扩展到体素尺度全脑连接矩阵的可能性。