Phenomenological renormalization group in neuronal models near criticality

技術要約：臨界近傍における神経細胞モデルの現象論的繰り込み群

問題提起
現象論的繰り込み群（PRG）は、神経データにおけるスケール不変な現象や臨界挙動を特定するための有力なツールとなっており、「臨界脳仮説」を支持している。しかし、PRGのシグネチャの信頼性に関する重要な課題が残されている。具体的には、スケール不変なシグネチャが出現するためにシステムが臨界点にどの程度接近している必要があるのか、あるいは、それらがデータの前処理によるアーティファクト（偽像）である可能性はないのか、という点が不明確である。特に、異なる動態相（劣臨界、臨界、過臨界）において、PRGの結果がタイムビンニング（時間区切り）の選択にどのように依存するかについては、これまで体系的な調査が行われてこなかった。従来の標準的なモデル（接触過程やイジングモデルなど）への適用においては、抑制（inhibition）のような重要な生物学的特徴が欠落しており、実際の神経データとの比較が困難であった。

手法
著者らは、正確な臨界点を持つ2つの神経細胞モデル（共に平均場指向性浸透（MF-DP）普遍クラスに属する）にPRGを適用することで、その堅牢性を調査した。

1. 興奮性セルオートマトン： ランダムネットワーク上のスパイクモデルであり、制御パラメータは分岐比（$\sigma$）である。
2. 確率的積分発火（I&F）ネットワーク： 興奮性および抑制性ニューロンからなるネットワークであり、制御パラメータは抑制・興奮結合比（$g$）である。

本研究では、2つのPRG粗視化アプローチを採用している。

• 運動量空間（Momentum-space）： 共分散行列の固有値スペクトルを用いて、データを段階的に粗い表現へと投影する。粗視化された変数（$\psi$）の分布におけるガウス分布からの逸脱を、尖度（$\kappa$）およびカルバック・ライブラー（KL）ダイバージェンスを用いて測定する。
• 実空間（Real-space）： 最も相関の高いニューロンを繰り返しペアリングしてクラスターを形成し、クラスター内平均分散のスケール（$M^2 \propto C_{size}^\alpha$）を分析する。

極めて重要な点として、著者らはタイムビンサイズ（$\Delta t$）を体系的に変化させ、さらに**データ駆動型の適応的ビンニング（adaptive binning）**戦略を導入している。固定された $\Delta t$ を使用する代わりに、ビンサイズをネットワークの平均スパイク間隔（$\langle ISI \rangle$）に比例するように設定した（$\Delta t = f \cdot \langle ISI \rangle$）。これにより、動態相によらずアクティブなビンの密度（$\rho_{bin}$）が安定するようにしている。また、相関を破壊するためにインタースパイク間隔をシャッフルしたサロゲートデータを用い、コントロール（対照群）とした。

主な結果

1. タイムスケールの不一致による偽のシグネチャ： 固定されたタイムビンを使用すると、PRG法は誤解を招く結果をもたらす。

   • **劣臨界領域（subcritical regime）**では、小さなビンを使用するとデータが疎（ほとんどがゼロ）になり、粗視化された分布がゼロ付近で鋭くピークを持つため、人工的に尖度が上昇し、臨界状態を模倣してしまう。
   • **過臨界領域（supercritical regime）**では、大きなビンを使用すると飽和（ほとんどが1）が生じ、同様にピークを持つ分布が生成され、偽のスケーリング・シグネチャが発生する。
   • 単一の固定ビンサイズでは、これらの両方の相をアーティファクトなしに扱うことはできない。

2. 適応的ビンニングによる真の臨界性の解明： 適応的ビンニング戦略（$\Delta t \propto \langle ISI \rangle$）を用いることで、著者らは、PRGの臨界性のシグネチャ（非ガウス分布および非自明なスケーリング指数）が臨界点の極めて狭い近傍でのみ出現することを実証した。

   • 粗視化された分布とガウス分布の間のKLダイバージェンスは、臨界点で鋭くピークに達し、劣臨界および過臨界相ではほぼゼロに低下する。
   • 実空間のスケーリング指数 $\alpha$ は、無相関のベースライン（$\alpha=1$）から、臨界近傍でのみ非自明な領域（$1 < \alpha < 2$）へと遷移する。
   • これらの結果は、ビンニングが安定したアクティブ密度を維持している限り、様々なスケーリング係数（$f$）に対して堅牢である。

3. モデルの検証： 確率的I&Fモデルに抑制を含めることで、より明確な臨界シグネチャが得られ、生物学的システムに対する本知見の妥当性が強化された。これらの結果は、大幅なサブサンプリング（実験的な観測可能性の制限をシミュレートしたもの）下でも保持される。

意義と主張
本論文は、データの前処理（特にタイムビンニング）が適切に扱われている場合に限り、PRGのスケール不変性のシグネチャが臨界点への近接を示す信頼できる指標であることを示す、初の体系的な計算論的検証を提供するものである。

• 実験的解釈の補強： スケーリング挙動が臨界点の狭い窓の中に限定されているという知見は、実験的な神経データに対するPRG解析から導かれる解釈を裏付けるものであり、観察されたシグネチャが手法的なアーティファクトではなく、真の臨界動態を反映している可能性が高いことを示唆している。
• 手法的な修正： 本研究は、不適切なタイムビンニングが偽のスケーリング・シグネチャを導入し得ることを強調している。提案された適応的ビンニング手順は、この問題を回避するための実用的な解決策を提供し、PRGの結果が $\Delta t$ の恣意的な選択ではなく、システムの固有の動態を反映することを保証する。
• 範囲： 著者らは、PRGは強力なプローブであるが、その適用には、真の臨界性と自明な挙動を区別するために、基礎となる動態のタイムスケールに対して細心の注意を払う必要があると結論付けている。