Hierarchical excitatory processes for modelling event-time data in the presence of exogenous stimuli

技術要約：イベント時間データのモデリングに向けた階層的興奮プロセス

問題提起
イベント時間データは、神経科学、疫学、金融などの科学的分野において、外生的な介入が存在する状況下で頻繁に発生する。中心となるモデリング上の課題は、これらの外部刺激が時間の経過とともにイベントの強度（intensity）にどのように影響を与えるかを、非定常性、適応（例：慣化）、および実験ユニット間の異質性を考慮しながら、いかに特徴付けるかである。不均一ポアソン過程や自己興奮型のホークス過程といった古典的な点過程モデルは、既知の外生刺激に基づく系統的な変化を明示的に組み込む設計になっていないことや、繰り返される介入に対する興奮ダイナミクスの進化を捉える設計になっていないことから、しばしば不十分である。先行研究では、外生効果（例：ソーシャルメディアや疾病拡大モデル）を取り入れようとする試みがあるが、興奮強度の動的な変調をモデリングし、同様の応答パターンを持つ潜在的なサブグループを特定できる柔軟なフレームワークが必要とされている。

手法
著者らは、繰り返される外部刺激下で観測されるイベント時間データのための点過程モデルである、**階層的興奮プロセス（Hierarchical Excitatory Process: HEP）**を提案する。このフレームワークは、以下の2つのレベルで機能する。

1. 条件付き強度モデリング： 本モデルは、イベントが不均一ポアソン過程に従うと仮定する。その条件付き強度関数 $\lambda(t)$ は、ベースラインレート $\lambda_0$ と、既知のチェンジポイント $\tau_j$ で発生する外部刺激によって誘発される興奮効果の重ね合わせとして定義される。興奮は、カーネル関数 $\phi_{\theta(\tau_j)}(t - \tau_j)$ を通じてモデル化されるが、パラメータ $\theta$（例：ジャンプの大きさ $\alpha$、減衰率 $\beta$、遅延 $\delta$）は静的なものではなく、時間の経過とともに動的に変化する。
2. 動的なパラメータ進化： 興奮カーネルを制御するパラメータ自体が、刺激の履歴によって駆動される時間の関数としてモデル化される。具体的には、著者らは階層構造を採用しており、パラメータ（例：$\alpha(s)$ や $\beta(s)$）は、連続する刺激の後にパラメータ値を減少させる抑制関数（例：スケールされた指数減衰）によって変調される。これにより、繰り返される刺激に対してニューロンの応答が減衰する「慣化」などの現象を捉えることができる。モデルは、刺激と応答の間のレイテンシ（潜時）を考慮するために、遅延を伴うスケールされた指数関数を含む、様々なカーネル形式をサポートしている。
3. 推論とクラスタリング：
   • パラメータ推定： 推論は最大尤度推定によって行われる。対数尤度は解析的に導出され、観測窓における強度関数の厳密な積分が行われる。これには、検閲されたデータ（観測が行われていない期間）への対応も含まれる。
   • モデルベース・クラスタリング： 異質性に対処するため、HEPフレームワークは混合モデルへと拡張される。ニューロンは、それぞれ異なる興奮・抑制パラメータによって特徴付けられる $K$ 個の潜在的なグループに属すると仮定される。グループのメンバーシップとパラメータを同時に推定するために、期待最大化（EM）アルゴリズムが使用される。最適なクラスター数は、統合完了尤度（ICL）基準を用いて選択される。

主な貢献

• HEPフレームワーク： 外生的な刺激に対するイベント強度を、時変的な興奮パラメータを通じて明示的に結びつけ、適応や慣化のモデリングを可能にする柔軟な点過程モデルの導入。
• 階層構造： 強度がチェンジポイントを介して興奮構造に依存し、かつその興奮のパラメータ自体が潜在的な抑制または興奮関数を介して履歴依存的に動的であるという、斬新な構成。
• 尤度に基づく推論： 検閲された観測区間（実験デザインにおいて一般的）の処理を含む、パラメータ推定のための原理的な尤度ベースのアプローチの開発。
• クラスタリング能力： HEPをモデルベース・クラスタリングの枠組みに統合し、外部刺激に対して同様の応答ダイナミクスを示す実験ユニット（例：ニューロン）の潜在的なグループを特定すること。

結果

• シミュレーション研究： 広範なシミュレーションにより、限られた数の外部刺激であっても、真のモデルパラメータ（基礎となる興奮および抑制関数を含む）を正確に復元できることが示された。推論手順は、真の強度関数を正確に追跡し、未知の将来の刺激に対する強度を予測できる。クラスタリングのシミュレーションにおいて、EMアルゴリズムは、わずか数回の刺激の観測後でも高い調整ランド指数（ARI）を達成し、潜在的なグループ構造を効果的に復元した。また、ICL基準は、ほとんどのケースで真のグループ数を正しく特定した。
• アメナ（Aplysia）データへの適用： 本手法は、電気刺激を含む4つの異なる実験条件下での、アメナ・カリフォルカリア（Aplysia californica）の背側神経節におけるニューロン活動の光学記録に適用された。
  • HEPモデルは、観測されたスパイク列に対して優れた適合を示し、刺激による発火強度の増加と、その後の緩やかな減衰（慣化）を捉えた。
  • モデルベース・クラスタリングは、不均一な応答パターンを示す明確なニューロンのグループ（例：2023年6月のデータセットにおける9つのグループ）を特定することに成功した。これらのグループは、強い慣化を示すニューロンから、持続的な応答を示すもの、あるいは刺激に対して最小限の反応を示すものまで多岐にわたり、単一のパラメータセットでは記述できない潜在的なサブポピュレーションを明らかにする本モデルの能力を実証した。

意義と主張
論文は、HEPが実務家に対して以下の事項を可能にする、シンプルかつ柔軟なフレームワークを提供すると主張している。

1. 過去の外生的介入がイベント率に与える影響の定量化。
2. 追加の将来の刺激の影響の推定。
3. 類似の応答パターンを示すユニット（ニューロンなど）のグループ化。
4. 個々のユニットにおける慣化または適応の証拠の評価。

著者らは、現在の実装は数学的な扱いやすさのために不均一ポアソン過程に焦点を当てているものの、このフレームワークは、外部の介入がいかに点過程データを変調するかを理解するための基礎を提供するものであると述べている。また、ニューロン間の独立性の仮定や、自己興奮型または相互興奮型の多変量構造の除外といった限界についても認め、これらを将来の拡張領域として示唆している。本研究は、階層的な方法で興奮性、持続性、および回復のダイナミクスを特徴付けることができる、解釈可能性を強調している。