Decoding Neuronal Ensembles from Spatially-Referenced Calcium Traces: A Bayesian Semiparametric Approach

Probleemstelling

In de neurowetenschappen is het begrijpen van hoe neuronen hun activiteit coördineren essentieel voor het bestuderen van leren, geheugen en neurologische aandoeningen. Calcium-imaging is een krachtige techniek om de activiteit van honderden neuronen tegelijkertijd in vrij bewegende dieren waar te nemen. Echter, de verkregen data brengen aanzienlijke statistische uitdagingen met zich mee:

1. Ruis en indirecte meting: De fluorescentiesignalen zijn ruisig en vormen slechts een indirecte, vertraagde proxy voor de onderliggende spiking-activiteit (vuurprikkeling) van neuronen.
2. Tijdsresolutie: De langzame afname van calciumfluorescentie kan leiden tot het samenvloeien van opeenvolgende vuurprikkelingen, wat het identificeren van individuele spikes moeilijk maakt.
3. Aanbestedingsfouten in bestaande methoden: De standaard aanpak is een tweestapsproces: eerst deconvolutie (het schatten van de spike-trains) en daarna clustering. Deze methode negeert de onzekerheid in de eerste stap en gebruikt vaak generieke clustering-algoritmes die geen rekening houden met de ruimtelijke organisatie van neuronen in de hersenen.

Methodologie

De auteurs stellen een volledig Bayesiaans, semiparametrisch model voor dat deconvolutie en clustering van calciumsporen tegelijkertijd uitvoert binnen één verenigd raamwerk. Het model bestaat uit de volgende kerncomponenten:

1. Calciumconcentratie Model:

   • Gebaseerd op het biofysische model van Vogelstein et al. (2010).
   • Het observeerde fluorescentiesignaal ($y_{i,t}$) wordt gemodelleerd als een functie van de onderliggende calciumconcentratie ($c_{i,t}$) en meetfout.
   • De calciumdynamiek wordt beschreven door een autoregressief proces waarbij een spike ($s_{i,t}=1$) een instantane toename veroorzaakt met amplitude $a_{i,t}$.

2. Latente Spike-probabiliteit en Clustering:

   • In plaats van direct op de geschatte spikes te clusteren, introduceert het model een latente Gaußisch proces ($\tilde{s}_i$) dat de tijdsverloop van de vuurprikkelingsprobabiliteit voor elk neuron beschrijft.
   • De daadwerkelijke spike-indicatoren ($s_{i,t}$) worden gemodelleerd als Bernoulli-variabelen met een kans bepaald door de getransformeerde latente waarde $\Phi(\tilde{s}_{i,t})$.
   • Ruimtelijke Clustering: Om neuronen te groeperen op basis van hun ruimtelijke ligging en activatiepatroon, wordt een afhankelijke Dirichlet-proces (Dependent Dirichlet Process) gebruikt, specifiek een location-dependent stick-breaking prior (Rodríguez & Dunson, 2011).
     • Dit prior zorgt ervoor dat neuronen die anatomisch dicht bij elkaar liggen, een hogere kans hebben om tot dezelfde cluster te behoren.
     • De mixingsgewichten worden bepaald door een Gaußisch proces dat de ruimtelijke correlatie tussen neuron-coördinaten modelleert.

3. Spike-amplitude Model:

   • Om ruis te filteren en variatie in amplitude te vangen, wordt een spike-and-slab Dirichlet-proces prior gebruikt.
   • Dit modelt de amplitudes als een mengsel van een puntmassa bij nul (geen spike) en een discrete verdeling (Dirichlet-proces) voor de daadwerkelijke spike-amplitudes. Dit helpt bij het onderscheiden van echte spikes van ruis.

4. Posterieure Inferentie:

   • Inferentie gebeurt via Markov Chain Monte Carlo (MCMC) met een Gibbs-sampler.
   • Voor de Gaußische processen wordt een Vecchia-approximatie gebruikt om de computationele complexiteit te verminderen.
   • Data-augmentatiestrategieën (zoals Albert & Chib, 1993) worden toegepast om de latente variabelen te koppelen aan de Bernoulli-observaties.

Kernbijdragen

• Geïntegreerde Benadering: Het is een van de eerste methoden die spike-detectie en neurale clustering in één Bayesiaans raamwerk combineert, waardoor foutpropagatie van een eerste naar een tweede stap wordt voorkomen.
• Ruimtelijke Informatie: Het model integreert expliciet de anatomische ligging van neuronen in het clustering-proces via een locatie-afhankelijke prior, wat biologisch plausibele resultaten oplevert.
• Onzekerheidskwalificatie: Dankzij de Bayesiaanse aard biedt het model niet alleen punt-schattingen, maar ook een volledige kwantificering van de onzekerheid in zowel spike-detectie als cluster-toewijzing.
• Dynamische Analyse: Het model kan worden toegepast op tijdsvensters gedefinieerd door de positie van het dier, waardoor dynamische herschikking van neuronale ensembles in relatie tot ruimtelijke context kan worden bestudeerd.

Resultaten

Het model werd getest op synthetische data en op een reëel dataset van Chen et al. (2023) met calcium-imaging van de hippocampale CA1-regio van een muis in een cirkelvormige arena.

1. Synthetische Data:

   • Vergelijking met een tweestapsmethode (deconvolutie via $\ell_0$-optimalisatie gevolgd door consensus K-means) toonde aan dat het voorgestelde model superieur is.
   • Het model had een lagere false negative rate (minder gemiste spikes) en een hogere Adjusted Rand Index (ARI) voor het correct herkennen van neuronale clusters.

2. Hippocampale Data (Muis in Arena):

   • Clusterstructuur: Het model identificeerde functioneel coherente ensembles. Neuronen die tot dezelfde cluster behoorden, vertoonden gesynchroniseerde vuurpatronen en waren vaak anatomisch dicht bij elkaar gelegen (in "onregelmatige, langwerpige vlekken").
   • Ruimtelijke Relatie: Neuronen die vaak in dezelfde cluster werden gegroepeerd, toonden een verhoogde vuuractiviteit in dezelfde ruimtelijke gebieden van de arena. Dit bevestigt de link tussen functionele clustering en ruimtelijke codering (place cells).
   • Complexiteit en Onzekerheid: De complexiteit van de clusters (aantal clusters) en de bijbehorende onzekerheid varieerden met de positie van de muis.
     • Nabij de randen van de arena waren de clusters stabieler en minder complex.
     • In de open, centrale gebieden van de arena was de clustering meer gefragmenteerd en vertoonde het model hogere onzekerheid.

Betekenis en Conclusie

Deze studie biedt een robuust statistisch instrument om de complexe dynamiek van neuronale populaties te decoderen. Door de onzekerheid in de signaalverwerking expliciet te modelleren en ruimtelijke informatie te integreren, kan het model nieuwe inzichten bieden in hoe de hersenen ruimtelijke informatie coderen en hoe neuronale netwerken zich dynamisch herschikken afhankelijk van het gedrag van het dier.

De auteurs wijzen erop dat toekomstig werk gericht kan zijn op het uitbreiden van het model naar meerdere hersengebieden, het integreren van andere data-modi (zoals elektrofysiologie), en het ontwikkelen van efficiëntere inferentiemethoden (zoals variatie-inferentie) om de schaalbaarheid voor grotere datasets te verbeteren. Dit werk legt een fundament voor het beter begrijpen van de neurale basis van ruimtelijk geheugen en de verstoring daarvan bij neurologische aandoeningen.