기술 요약: 결합 포아송 디컨볼루션 및 미분동형 등록을 이용한 베이지안 생체 내 시냅스 추적

문제 제기

형광 표지 시냅스 수용체의 장기 생체 내 이미징은 대규모 시냅스 역동성 및 신경계 질환에서의 그 붕괴를 연구할 수 있는 경로를 제공합니다. 그러나 2-광자 현미경으로부터 신뢰할 수 있는 데이터를 추출하는 것은 상당한 도전에 직면해 있습니다:

• 낮은 신호 대 잡음비 (SNR): 광표백을 방지하기 위해 낮은 레이저 출력을 사용하므로, 높은 샷 노이즈와 포아송 분포를 따르는 광자 계수가 발생합니다.
• 비선형 조직 운동: 시냅스는 이미징 세션 간에 수상돌기 가지와 주변 조직과 함께 이동하여 복잡하고 비강체 변형을 유발합니다.
• 광학적 흐림: 현미경 점 확산 함수 (PSF) 는 상당한 흐림을 유발하며, 이는 높은 시냅스 밀도 영역에서 더욱 악화됩니다.
• 파이프라인 한계: 기존 "잡음 제거 - 분할 - 추적" 파이프라인 (예: 오토인코더를 사용한 후 CNN 기반 검출) 은 혼잡하거나 낮은 SNR 환경에서 종종 실패합니다. 잡음 제거는 인접한 시냅스를 흐리게 만들어 분할 네트워크가 서로 다른 소원을 병합하게 할 수 있습니다. 또한, 이러한 파이프라인은 불확실성 정보를 폐기하고 국소적 결정을 내리는데, 이는 형광 추정치를 편향시키고 비선형 변형을 명시적으로 모델링하지 못하게 합니다.

방법론

저자들은 시냅스 추적을 순차적 처리 단계에서 벗어나 결합 추론 문제로 취급하는 통합 베이지안 프레임워크를 제안합니다. 이 방법의 핵심은 잠재 변수로부터 관찰된 이미지를 합성하는 생성 모델입니다.

1. 수학적 공식화

이 모델은 시냅스를 매끄럽고 위상 보존 변형장 하에서 진화하는 점 소원의 동적 카탈로그로 표현합니다.

• 시냅스 표현: 시냅스는 $\mu_t(x) = \sum f_{i,t} \delta(x - x_i)$로 모델링된 단일 밀도로 표현되며, 여기서 $x_i$는 위치이고 $f_{i,t}$는 형광 강도입니다.
• 미분동형 변형: 비선형 조직 운동은 $D \to D$인 미분동형사상 $\phi_t$를 통해 모델링됩니다. 이를 효율적으로 매개변수화하기 위해 저자들은 재생 커널 힐베르트 공간에서 일반화된 운동량($p_{i,t}$)을 사용합니다. 변위장은 $\phi_t(x) \approx x + u_t(x)$로 근사되며, 여기서 $u_t$는 운동량으로 가중된 커널 함수들의 선형 결합입니다. 이는 위상을 보존하는 매끄럽고 가역적인 변환을 보장합니다.
• 이미지 형성: 기대 이미지 강도 $\lambda_t(x)$는 변형된 시냅스 밀도와 가우시안 점 확산 함수 (PSF) 의 컨볼루션이며, 배경 강도 $\lambda_0$가 추가됩니다.
• 관찰 모델: 원시 광자 계수 $N_t(x)$는 평균이 $\lambda_t(x) + \lambda_0$인 포아송 확률 변수로 모델링됩니다.

2. 베이지안 추론

목표는 관찰된 광자 계수를 기반으로 모든 알려지지 않은 매개변수 $\theta = \{x_i, f_{i,t}, p_{i,t}, \lambda_0\}$의 결합 사후 분포를 추론하는 것입니다.

• 사전 분포:
  • 시냅스 위치: 영역 내 균일 분포.
  • 형광: 희소성을 장려하는 독립 지수 분포.
  • 운동량: 매끄러운 변형을 유도하는 독립 가우시안 분포.
  • 배경: 반정규 분포.
• 추론 알고리즘: 사후 분포의 복잡성 (비선형 변형 및 컨볼루션) 으로 인해, 저자들은 PyMC 에 구현된 No-U-Turn Sampler (NUTS) 인 **해밀토니안 몬테 카를로 (HMC)**를 사용합니다. 이를 통해 사후 분포에서 샘플링하여 매개변수 분포를 추정하고 보정된 불확실성 추정을 제공합니다.

주요 기여

1. 미분동형 템플릿을 통한 합성 기반 추적: 이산 객체를 검출하고 연결하는 대신, 이 방법은 미분동형 변환 하에서 "흔들리는" 점 소원의 잠재 카탈로그를 적합시킵니다. 이는 종단 이미지를 시간적으로 일관되게 설명하는 가상 시냅스를 합성하여 별도의 연관 단계 없이 추적을 암묵적으로 처리합니다.
2. 물리 기반 생성 모델: 이 모델은 휴리스틱 잡음 제거에 의존하기보다는 매개변수화된 가우시안 PSF 와 전경 신호 및 배경 샷 노이즈에 대한 포아송 통계를 포함하여 이미징 물리를 명시적으로 통합합니다.
3. 불확실성을 포함한 결합 베이지안 추론: 이 프레임워크는 이미지 등록 (조직 운동 보정), 시냅스 카탈로그 구성, 데이터 잡음 제거, 형광 강도 추론을 동시에 수행합니다. 특히, 순차적 파이프라인에서 흔히 발생하는 오류 전파를 피하면서 모든 매개변수에 대한 보정된 불확실성 추정을 제공합니다.

실험 결과

이 프레임워크는 시뮬레이션 데이터와 2 주 동안 이미징된 SEP-GluA2 형질전환 마우스 계통의 실제 생체 내 데이터셋 모두에서 평가되었습니다.

시뮬레이션 데이터

• 성능: 이 모델은 상당한 흐림과 샷 노이즈에도 불구하고 실제 시냅스 위치, 형광 강도 및 변형장을 성공적으로 복원했습니다.
• 시간적 결합: 시간 점 ($T$) 의 수를 늘리면 템플릿 국소화가 개선되고 모호성이 감소하여 시간적 제약의 이점을 입증했습니다.
• 밀도 한계: 중첩된 PSF 로 인해 시냅스 밀도가 증가함에 따라 성능이 저하되었으며, 이는 이미징 모델의 근본적인 식별 가능성 한계를 강조합니다.

실제 생체 내 데이터

• 비교: 이 방법은 잡음 제거 오토인코더 (XTC), Non-Local Means (NLM), BM3D 와 비교되었습니다.
• 지표:
  • 포아송 로그 가능도: 베이지안 모델은 XTC(-16.13) 에 비해 유의하게 높은 가능도 (-3.62) 를 달성하여 원시 광자 통계에 대한 더 나은 적합도를 나타냈습니다.
  • 시간적 일관성: 이 모델은 우수한 시간적 안정성 (XTC 의 0.387 대비 피어슨 상관관계 0.577) 을 보여주어 여러 날에 걸쳐 일관된 시냅스 정체성을 유지했습니다.
  • 피크 안정성: 검출된 피크의 수는 프레임 간에 안정적으로 유지되었습니다 (표준편차 0.97). 반면, 기준선 방법은 높은 변이성을 보였습니다 (예: XTC 표준편차 1.92).
• 정성적 결과: 오토인코더는 시각적으로 유사하지만 시간적으로 일관되지 않은 강도를 생성한 반면, 베이지안 모델은 일관된 시냅스 정체성을 유지했습니다. 추정된 변위장은 매끄럽고 자기 교차가 없어 접힘과 같은 생물학적으로 불가능한 운동을 방지했습니다.

중요성 및 주장

이 논문은 이미지 형성, 운동 모델링 및 잡음 통계를 단일 확률적 역모델로 통합함으로써 제안된 프레임워크가 기존 "잡음 제거 - 분할 - 추적" 파이프라인의 한계를 극복한다고 주장합니다.

• 강건성: 현미경의 물리적 제약과 데이터의 시간적 구조를 활용함으로써 낮은 SNR 및 비선형 변형 조건을 더 효과적으로 처리합니다.
• 일관성: 추적이 생성 모델에서 자연스럽게 도출되어 혼잡한 영역에서 병합/분할 오류에 취약한 명시적 데이터 연관 알고리즘 없이도 시냅스 정체성이 시간적으로 일관되게 유지됩니다.
• 불확실성 정량화: 이 방법은 시냅스 위치와 강도에 대한 신뢰도를 추정하는 원칙적인 방법을 제공하며, 이는 미묘한 생물학적 변화를 분석하는 데 필수적입니다.

저자들은 현재 접근 방식이 MCMC 추론으로 인해 계산 비용이 많이 들고 극도로 밀집된 시냅스 영역에서는 복원이 여전히 어렵다고 인정합니다. 향후 연구는 PSF 근사를 개선하고 더 큰 뇌 부피로 확장하기 위해 더 효율적인 추론 방법을 모색하는 것을 목표로 합니다.