技術的概要：結合ポアソンデコンボリューションと微分同写像登録を用いたシナプスのベイズ的 in vivo 追跡

問題定義

蛍光標識されたシナプス受容体の経時的 in vivo 画像化は、大規模なシナプス動態および神経疾患におけるその障害を研究するための道筋を提供する。しかし、2 光子顕微鏡からの信頼性の高いデータ抽出には重大な課題が存在する：

• 低い信号対雑音比 (SNR)： 光退色を防ぐために低レーザーパワーが使用されるため、ショットノイズが高く、光子カウントはポアソン分布に従う。
• 非線形組織運動： シナプスは、画像取得セッション間で樹状突起枝および周囲組織とともに移動し、複雑な非剛体変形を引き起こす。
• 光学ぼやけ： 顕微鏡の点像広がり関数 (PSF) は顕著なぼやけを引き起こし、これは高シナプス密度領域で増悪する。
• パイプラインの限界： 既存の「ノイズ除去・セグメンテーション・追跡」パイプライン（例えば、オートエンコーダを用いた後に CNN ベースの検出を行うもの）は、混雑した環境や低 SNR 領域でしばしば失敗する。ノイズ除去は隣接するシナプスをぼかし、セグメンテーションネットワークが異なる源を統合してしまう原因となる。さらに、これらのパイプラインは不確実性情報を破棄し、蛍光推定にバイアスをかけ、非線形変形を明示的にモデル化できない局所的な決定を下す。

手法

著者らは、逐次的な処理ステップから離れ、シナプス追跡を結合推論問題として扱う統合されたベイズ的枠組みを提案する。この手法の中核は、潜在変数から観測画像を合成する生成モデルである。

1. 数学的定式化

このモデルは、滑らかでトポロジーを保存する変形場の下で進化する点源の動的カタログとしてシナプスを表現する。

• シナプス表現： シナプスは、位置 $x_i$ と蛍光強度 $f_{i,t}$ を持つ特異密度 $\mu_t(x) = \sum f_{i,t} \delta(x - x_i)$ としてモデル化される。
• 微分同写像変形： 非線形組織運動は、微分同写像 $\phi_t: D \to D$ を通じてモデル化される。これを効率的にパラメータ化するために、著者らは再生核ヒルベルト空間における一般化運動量 ($p_{i,t}$) を使用する。変位場は、運動量によって重み付けされたカーネル関数の線形結合 $u_t$ として近似され、$\phi_t(x) \approx x + u_t(x)$ となる。これにより、トポロジーを保存する滑らかで可逆な変換が保証される。
• 画像形成： 期待される画像強度 $\lambda_t(x)$ は、変形されたシナプス密度とガウス点像広がり関数 (PSF) の畳み込みであり、これに背景強度 $\lambda_0$ が加わる。
• 観測モデル： 生光子カウント $N_t(x)$ は、平均 $\lambda_t(x) + \lambda_0$ を持つポアソン確率変数としてモデル化される。

2. ベイズ推論

目的は、観測された光子カウントに基づき、すべての未知パラメータ $\theta = \{x_i, f_{i,t}, p_{i,t}, \lambda_0\}$ の結合事後分布を推論することである。

• 事前分布：
  • シナプス位置：領域全体での一様分布。
  • 蛍光：スパース性を促進する独立した指数分布。
  • 運動量：滑らかな変形を誘発する独立したガウス分布。
  • 背景：半正規分布。
• 推論アルゴリズム： 事後分布の複雑さ（非線形変形と畳み込み）により、著者らは PyMC で実装されたノ・ユー・ターン・サンプラー (NUTS) であるハミルトニアンモンテカルロ (HMC) を採用する。これにより、事後分布からのサンプリングが可能となり、パラメータ分布の推定と較正された不確実性推定の提供が可能となる。

主要な貢献

1. 微分同写像テンプレートによる合成追跡： 離散オブジェクトを検出・リンクする代わりに、この手法は微分同写像変形の下で「揺れる」点源の潜在カタログを適合させる。これにより、経時的画像の時間的一貫した説明を提供する仮想的なシナプスを合成し、個別の対応付けステップなしに追跡を暗黙的に処理する。
2. 物理ベースの生成モデル： このモデルは、ヘウリスティックなノイズ除去に依存するのではなく、パラメータ化されたガウス PSF と、前景信号および背景ショットノイズの両方に対するポアソン統計を含む、画像形成の物理を明示的に組み込んでいる。
3. 不確実性を伴う結合ベイズ推論： この枠組みは、画像登録（組織運動の補正）、シナプスカタログの構築、データノイズ除去、蛍光強度の推論を同時に実行する。重要なのは、すべてのパラメータに対して較正された不確実性推定を提供し、逐次パイプラインで一般的に見られる誤差伝播を回避することである。

実験結果

この枠組みは、シミュレーションデータおよび 2 週間画像化された SEP-GluA2 形質転換マウス系統からの実 in vivo データセットの両方で評価された。

シミュレーションデータ

• 性能： 本モデルは、著しいぼやけとショットノイズにもかかわらず、真のシナプス位置、蛍光強度、変形場を正常に回復させた。
• 時間的結合： 時間点の数 ($T$) を増加させることで、テンプレートの局所化が向上し、曖昧さが減少した。これは時間的制約の利点を示している。
• 密度の限界： 重なり合う PSF に起因して、シナプス密度が増加するにつれて性能は低下し、画像モデルにおける基本的な識別可能性の限界が浮き彫りになった。

実 in vivo データ

• 比較： この手法は、ノイズ除去オートエンコーダ (XTC)、ノンローカル・ミーンズ (NLM)、および BM3D と比較された。
• 指標：
  • ポアソン対数尤度： ベイズモデルは、生光子統計へのより良い適合を示す、有意に高い尤度 (-3.62) を達成した（XTC は -16.13）。
  • 時間的一貫性： このモデルは、日を超えて一貫したシナプスアイデンティティを維持し、優れた時間的安定性（ピアソン相関係数 0.577、XTC は 0.387）を示した。
  • ピーク安定性： 検出されたピーク数はフレーム間で安定していた（標準偏差 0.97）のに対し、ベースラインは高い変動性を示した（例：XTC の標準偏差 1.92）。
• 定性的結果： 時間的一貫性のない強度を生成するオートエンコーダとは異なり、ベイズモデルは一貫したシナプスアイデンティティを維持した。推定された変位場は滑らかで自己交差を含まず、折りたたみなどの生物学的に不自然な運動を防いでいた。

意義と主張

本論文は、画像形成、運動モデル、およびノイズ統計を単一の確率的逆モデルに統合することにより、提案された枠組みが現在の「ノイズ除去・セグメンテーション・追跡」パイプラインの限界を克服すると主張している。

• ロバスト性： 顕微鏡の物理的制約とデータの時間的構造を活用することで、低 SNR および非線形変形条件に対してより効果的に対応する。
• 一貫性： 追跡は生成モデルから自然に生じ、混雑した領域での統合/分割エラーに陥りやすい明示的なデータ対応付けアルゴリズムを必要とすることなく、時間の経過とともにシナプスアイデンティティの一貫性を保証する。
• 不確実性の定量化： この手法は、シナプス位置と強度に対する信頼度を推定するための原理的な方法を提供し、微妙な生物学的変化の分析にとって重要である。

著者らは、MCMC 推論に起因して現在の手法は計算コストが高く、極めて高密度のシナプス領域での回復は依然として困難であることを認めている。今後の研究では、PSF の近似を改善し、より大規模な脳容積にスケーリングするためのより効率的な推論手法の探求を目指す。