スライステンソル成分分析による神経サブスペース以上の次元削減
背景紹介: 大規模ニューロン記録データは通常、ニューロン同時活性化パターンで記述することができます。しかし、ニューロン活動の変動を固定された低次元部分空間に制限するという観点では、固定されたニューロンシーケンスや緩やかに進化する潜在空間などのより高次元の構造が見落とされる可能性があります。本研究では、ニューロンデータにおけるタスク関連の可変性も、試行やタイミングの上で共変動し、異なる「共変性クラス」(covariability classes)を定義することができ、これらのクラスが同一データセットに同時に存在する可能性があると考えています。
研究動機: 従来の次元削減手法(主成分分析(PCA)など)は通常、単一の共変性クラスしかキャプチャできません。混在する複数の共変性クラスを区別するために、研究者たちは新しい無監視次元削減手法であるスライスTCA(SliceTCA)を開発しました。
研究方法: SliceTCAは、スライスランク(slice rank)に基づく新しいテンソル分解手法です。これにより、ニューロンデータテンソルを3種類のスライス成分(ニューロンスライス、試行スライス、時間スライス成分)に分解でき、異なる種類の共変性をそれぞれキャプチャすることができます。他の次元削減手法とは異なり、SliceTCAはこれら3種類のスライス成分を同時にフィッティングできるため、データに混在する複数の共変性クラスを区別することができます。
研究者たちはトイモデルと循環ニューラルネットワークモデルを作成し、SliceTCAが混在する共変性クラスを区別する優位性を検証しました。また、SliceTCAのモデル選択、最適化、可視化のための標準化プロセスを提案し、3つの大規模ニューロンデータセットでSliceTCAの適用例を示しました。
研究結果: 1. 運動皮質活動データ:SliceTCAで、試行スライス成分が運動力学に関連するニューロンシーケンスをキャプチャし、時間スライス成分が運動準備に関連する情報をキャプチャしていることが分かりました。
マウス運動課題データ:SliceTCAはタスク状態と脳領域の特異性に関連する変数を識別し、より解釈可能なニューロン表現を示しました。
多領域記録データ:SliceTCAは領域間の共変性クラスを区別し、試行パフォーマンス、個体符号化、タスク段階に関連する成分を特定しました。
さらに、研究者は異なるスライス種類に対応する潜在変数タイプを幾何学的に解釈しています。総じて、SliceTCAはより多くのタスク関連共変性構造をキャプチャし、より少ない成分でニューロンデータを表現できることから、従来の低次元ニューロン集団活動の観点を拡張しています。
意義: SliceTCAは、同一データセット内に混在する複数の共変性クラスを識別・区別できる新しい無監視次元削減手法を提供しています。これにより、高次元の潜在構造を明らかにすることができます。この手法はニューロン符号化メカニズムの深い理解だけでなく、大規模ニューロンデータから行動関連情報を抽出することにも役立ちます。SliceTCAは、複数の共変性クラスを同一の枠組みに統合することで、従来の潜在変数およびニューロン共変性の観点を拡張しています。本研究は、複雑なニューロンデータから行動関連情報を抽出するための新しい理論的基盤と実用的なツールを提供しています。