用于揭示鸣禽神经词典的无监督贝叶斯伊辛近似方法
定量方法
2019-11-21 v1 神经元与认知
摘要
如何由低层次模式（脑中的动作电位、蛋白质中的氨基酸等）驱动高层次生物特征（感觉运动行为、酶功能）这一问题，代表了定量生物学的核心挑战。由于缺乏能从实验可收集的数据规模上做到这一点的通用方法，我们对于生物世界的理解受到严重限制。例如，在神经科学中，某些感觉与运动编码已被证明由精确计时的多 spike 模式组成。然而，此类模式编码的组合复杂性阻碍了对其全面分析的方法发展。因此，正如难以基于序列预测蛋白质功能一样，我们仍不理解如何基于神经活动准确预测生物体的行为。本文推导出一种解决此类问题的方法。我们通过在神经数据上的应用展示其效用，检测出鸣禽发声系统中编码特定运动行为的精确计时 spike 模式。我们的方法可检测具有任意数量 spike 的此类码字，能从小数据集中做到这一点，并考虑了码字出现中的依赖关系。检测此类重要 spike 模式的词典——而非如某些先前方法仅识别此类模式存在的时间尺度——为理解动物的精细运动控制及感觉运动学习的神经基础打开了大门。例如，我们首次识别出编码运动探索与典型行为之间的差异。关键的是，我们的方法不仅可用于神经系统分析，也可用于理解其他生物与非生物数据集中相关性的结构。
引用
@article{arxiv.1911.08509,
title = {Unsupervised Bayesian Ising Approximation for revealing the neural dictionary in songbirds},
author = {Damián G. Hernández and Samuel J. Sober and Ilya Nemenman},
journal= {arXiv preprint arXiv:1911.08509},
year = {2019}
}