Recovering Sparse Neural Connectivity from Partial Measurements: A Covariance-Based Approach with Granger-Causality Refinement

1. Il Problema

L'obiettivo centrale è ricostruire la matrice di connettività completa ($W \in \mathbb{R}^{N \times N}$) di un circuito neurale ricorrente partendo da osservazioni parziali e incomplete.

• Contesto: In circuiti cerebrali piccoli (es. C. elegans, zebrafish larvale), il numero di neuroni è gestibile, ma la registrazione simultanea di tutti i neuroni in un'unica sessione è spesso tecnicamente impossibile.
• Sfida: Si dispone di dati provenienti da multiple sessioni di registrazione, dove in ogni sessione $k$ viene osservato solo un sottoinsieme $M_k$ di neuroni e stimolato un sottoinsieme $S_k$.
• Trade-off Controllo-Stima: Esiste un compromesso fondamentale: stimolare i neuroni con perturbazioni casuali aiuta l'identificabilità (eccitando le modalità della rete), ma disturba le dinamiche intrinseche biologicamente rilevanti (come i generatori di pattern centrali o CPG).

2. Metodologia

Il metodo proposto si basa sull'accumulo di statistiche di covarianza tra sessioni diverse e su un affinamento basato sulla causalità di Granger.

A. Modello Dinamico

Il sistema è modellato come un sistema dinamico ricorrente discreto:
$$x_{t+1} = W\phi(x_t) + b_t$$
Dove $x_t$ è lo stato neurale, $W$ è la matrice di connettività, $\phi$ è una non-linearità (es. $\tanh$) e $b_t$ include stimolazione esterna e drive intrinseco (CPG).

B. Stima Basata sulla Covarianza

L'approccio principale utilizza un'approssimazione lineare locale ($\phi(x) \approx x$) per derivare uno stimatore della covarianza incrociata:

1. Accumulo tra sessioni: Per ogni coppia di neuroni $(i, j)$, si calcola la covarianza empirica solo nelle sessioni in cui entrambi sono stati osservati simultaneamente. Queste covarianze parziali vengono accumulate per ricostruire la matrice di covarianza completa $\hat{\Sigma}$.
2. Stimatore: La matrice di connettività è stimata tramite inversione dei minimi quadrati (o regressione ridge regolarizzata in presenza di rumore):
   $$\hat{W} = \hat{\Sigma}_{y_{t+1}, y_t} (\hat{\Sigma}_{y_t, y_t})^{-1}$$
   Il rumore di osservazione agisce implicitamente come regolarizzazione ridge, riducendo la varianza dello stimatore.

C. Affinamento con Causalità di Granger

Lo stimatore grezzo $\hat{W}$ può violare vincoli biologici. Viene applicato un passo di ottimizzazione tramite discesa del gradiente proiettata per imporre:

• Nessuna autapsia: $W_{ii} = 0$ (nessun neurone si connette a se stesso).
• Non-causalità di Granger: Se la covarianza contemporanea supera quella ritardata, l'arco è nullo ($W_{ij} = 0$).
• Non-negatività: $W_{ij} \geq 0$ (per reti puramente eccitatorie).

3. Contributi Chiave e Scoperte Teoriche

1. Condizioni di Identificabilità: Il metodo è identificabile se ogni coppia di neuroni è osservata simultaneamente in almeno una sessione e la matrice di covarianza degli stati è invertibile.
2. Regolarizzazione Implicita (Scoperta Sorprendente): L'uso dell'approssimazione lineare "errata" (ignorando la non-linearità $\phi$ nota) produce uno stimatore migliore rispetto a un "oracolo" che conosce la non-linearità esatta.
   • Spiegazione: L'identità di Stein-Price mostra che la covarianza esatta $\Sigma_{\phi(x), x}$ è una versione compressa di $\Sigma_{x,x}$. Invertire la covarianza esatta amplifica il rumore a causa di un numero di condizione peggiore. L'approssimazione lineare agisce come regolarizzazione implicita (analoga alla shrinkage di James-Stein), offrendo un miglior compromesso bias-varianza.
3. Trade-off Stimolazione-Densità: È stato caratterizzato sistematicamente il compromesso tra intensità della stimolazione e densità di misurazione.
   • Con alta densità di osservazione, la mancanza di stimolazione porta a un fallimento catastrofico (matrice di covarianza degenere a causa delle dinamiche CPG).
   • Una stimolazione moderata è necessaria per rompere la struttura di autocorrelazione dei CPG e garantire l'eccitazione persistente, ma una stimolazione eccessiva degrada la qualità del segnale.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su reti sintetiche (N=8, 12, 30) con dinamiche caotiche guidate da CPG.

• Accuratezza: Il metodo riduce l'errore di recupero (distanza di Frobenius normalizzata) fino al 91% rispetto alla linea di base casuale (es. errore da 0.54 a 0.053 per N=30).
• Effetto dell'Affinamento: Il passo di raffinamento di Granger migliora ulteriormente l'errore (~6% in più) e garantisce un recall perfetto (1.0) delle connessioni vere, eliminando pesi spurii pur mantenendo la struttura sparsa.
• Robustezza alla Non-Linearità: Contrariamente all'intuizione, la funzione di attivazione $\tanh$ (che introduce non-linearità) ha portato ai risultati migliori, mentre funzioni non limitate (Identity, ReLU) hanno peggiorato la condizione della matrice di covarianza permettendo la deriva degli stati.
• Rumore di Misura: Il metodo è robusto a rumori moderati; il rumore agisce come regolarizzatore naturale, prevenendo un collasso catastrofico dell'inversione.
• Identificazione dei CPG: È stato dimostrato che i nodi CPG possono essere parzialmente identificati dalla loro maggiore varianza di attività, e il loro down-weighting nell'accumulo di covarianza riduce ulteriormente l'errore.

5. Significato e Implicazioni

• Nuovo Paradigma Sperimentale: Il lavoro dimostra che non è necessario registrare l'intero circuito simultaneamente per ricostruirne la connettività. È sufficiente aggregare dati da sessioni parziali con sovrapposizioni casuali.
• Validazione Teorica: La scoperta che l'approssimazione lineare supera l'oracolo non-lineare offre una nuova prospettiva sulla regolarizzazione in sistemi dinamici complessi, suggerendo che la semplicità del modello può essere vantaggiosa in presenza di dati rumorosi o scarsamente campionati.
• Applicabilità Reale: Il framework è direttamente applicabile a dati reali di imaging (es. microscopia a foglio di luce o calcium imaging) dove il campo visivo o l'espressione degli indicatori limitano l'osservazione a sottoinsiemi di neuroni, purché la connettività di base rimanga stabile tra le sessioni.

In sintesi, il paper propone un metodo robusto e teoricamente fondato per risolvere il problema inverso della connettività neurale, trasformando il vincolo delle osservazioni parziali in un'opportunità attraverso l'accumulo statistico e l'uso intelligente di vincoli biologici.