基于钙成像的神经元连接性可扩展推断

荧光钙成像为推断包含多达数千个神经元的神经回路连接性提供了一种潜在的强大工具。然而，利用钙成像进行连接性检测的一个关键挑战是，当前系统的时间响应和帧率往往比底层的神经脉冲过程慢几个数量级。基于期望最大化 (EM) 的贝叶斯推断方法已被提出以克服这些限制，但由于 EM 过程中的 E 步通常涉及高维非线性动力系统的状态估计，这些方法往往计算量巨大。在本工作中，我们提出了一种基于循环信念传播 (loopy belief propagation) 和近似消息传递 (AMP) 混合的快速状态估计方法。关键见解在于，通过钙成像观察到的神经系统可以分解为每个神经元的简单标量动力系统，且神经元之间存在线性互连。利用这种结构，所提出的混合 AMP 方法中的更新可以通过一组一维状态估计过程和与连接矩阵的线性变换来计算。这产生了一种用于推断大型神经回路连接性的计算可扩展方法。在真实神经网络上的模拟表明，该方法具有良好的准确性，且计算时间可能显著快于当前基于马尔可夫链蒙特卡洛 (Markov Chain Monte Carlo) 的方法。