基于序贯蒙特卡洛方法和稀疏建模的潜在神经元非线性动力学估计

《Journal of Computational Neuroscience》：Estimating latent neuronal nonlinear dynamics by sequential Monte Carlo method and sparse modeling

　　

理解大脑中复杂的神经元行为需要从观测的时间序列数据中准确估计神经元模型。在本研究中，研究人员提出一种数据驱动的稀疏建模方法，用于从部分可观测的时间序列数据中估计多维潜在变量和电学特性，同时提取必要的膜电流。首先，研究人员从一个耦合了膜电位和钙离子浓度、包含一组候选膜电流的电导基神经元模型（conductance-based neuron model）中推导出非线性状态空间模型（state space model）。然后，研究人员推导出基于稀疏建模的期望最大化算法（expectation-maximization, EM）。在期望步骤（E-step）中，利用潜在状态的后验分布来评估具有拉普拉斯先验分布（Laplace prior distribution）的对数似然期望，该后验分布通过在一维含噪观测下的序贯蒙特卡洛方法（sequential Monte Carlo, SMC）进行近似。在最大化步骤（M-step）中，不必要电流的电导（conductance）被估计为零值，而必要电流的电导则被估计为非零值。研究人员通过使用电导基神经元模型进行仿真表明，所提出的方法能够通过估计潜在变量和生物物理参数，并仅提取必要的膜电流，从部分可观测数据中提取潜在的神经元非线性动力学。

研究背景：理解大脑中复杂的神经元行为需要从观测数据中准确估计神经元模型。然而，现有观测手段（如细胞内和细胞外记录）只能提供部分且含噪的一维时间序列数据，而神经元内在动力学本质上是多维和非线性的。以往的数据驱动方法在估计电导基神经元模型时，通常假设膜电流的类型已知，但在实际情境中，控制神经元动力学的膜电流种类往往是未知的。此外，存在大量候选膜电流，穷举搜索所有组合以确定必要电流会导致计算爆炸。因此，需要开发一种能够从部分观测数据中同时估计多维潜在变量、生物物理参数并自动提取必要膜电流的方法。

研究人员开展的研究与结论：研究人员提出了一种结合序贯蒙特卡洛方法（SMC）和稀疏建模的数据驱动方法，用于电导基神经元模型。该方法首先构建了一个耦合膜电位和钙离子浓度的非线性状态空间模型，包含一组候选膜电流。然后，推导出基于稀疏建模的期望最大化（EM）算法：在E步中，利用SMC方法近似后验分布，评估带拉普拉斯先验的对数似然期望；在M步中，通过L1正则化将不必要电流的电导估计为零，必要电流的电导估计为非零。通过仿真实验，该方法从一维膜电位观测中成功估计了多维潜在变量（如膜电位和钙离子浓度），并准确识别了必要的钙电流，同时将不必要电流的电导压缩为零。与无稀疏建模的对比方法相比，该方法在潜在变量估计、电流选择准确性和泛化性能上均表现更优，且在不同稀疏度水平下均保持鲁棒性。该论文发表在《Journal of Computational Neuroscience》。

主要关键技术方法（不超过250字）：研究人员为开展研究使用了以下三个关键方法：1）构建非线性状态空间模型，将电导基神经元模型（包含膜电位和钙离子浓度动力学）离散化为系统模型，并假设仅能观测一维含噪膜电位作为观测模型；2）采用序贯蒙特卡洛方法（SMC）通过粒子滤波（particle filter）从一维观测中近似多维潜在状态的后验分布，步骤包括一步预测、似然计算和重采样；3）基于稀疏建模的期望最大化（EM）算法，在M步中引入拉普拉斯先验（对应于L1正则化）以惩罚电导参数，通过最小化包含动力学重建误差和正则项的代价函数，自动将不必要电流的电导估计为零，同时估计必要电流的电导值。正则化常数通过5折交叉验证自动确定。样本来源：使用仿真数据，基于生物学合理的电导神经元模型（包含钙电流、钠电流、钾电流等），未使用真实生物样本队列。

研究结果：

**3.1 设置**：研究人员使用了一个生物学合理的电导基神经元模型进行仿真，假设仅能观测到一维含噪的膜电位时间序列。真实模型包含两种钙电流（低阈值T型钙电流I_T和高电压激活钙电流I_Ca），以及钠电流、钾电流等。准备了J=16个候选钙电流模型，其中只有两个是必要的。通过5折交叉验证自动确定正则化常数λ。

**3.2 多维潜在变量的估计**：通过SMC步骤，研究人员从一维膜电位观测中估计了膜电位V和钙离子浓度[Ca²⁺]。结果显示，提出方法（蓝色线）能有效抑制观测噪声，紧密跟随真实动力学，而在无稀疏建模的对比方法（橙色线）中，对未观测的钙离子浓度跟踪失败。提出方法在膜电位和钙离子浓度的估计误差（MSE）上均小于无稀疏建模的方法，表明稀疏建模改善了潜在变量估计。

**3.3 膜电流模型的选择性估计**：从16个候选钙电流中估计最大电导g_j。提出方法成功将必要电流（g₁和g₂）估计为非零值（分别为0.9749和1.5292，接近真实值1.0和1.5），而将其他14个不必要电流的电导估计为零。相比之下，无稀疏建模的方法不仅估计值偏离真实值，还错误地将许多不必要电流分配了非零值，导致过拟合。收敛轨迹显示，提出方法在约120次迭代后稳定收敛到真实值，而无稀疏建模的方法则持续不稳定。在12个独立噪声实现下，提出方法均一致地识别了必要电流并准确估计其电导，其余电导被正确压缩为零，展示了鲁棒性。

**3.4 泛化性能评估**：使用不同输入电流进行泛化测试。提出方法估计的电导参数能准确重建膜电位和钙离子浓度动力学，跟踪真实轨迹。而无稀疏建模的方法在膜电位尖峰幅度上出现偏差，且尖峰时间逐渐漂移，钙离子浓度预测更差。这表明提出方法通过正确的模型选择获得了更优的泛化性能。

**3.5 不同稀疏度下提出方法的有效性**：改变候选电流数量J（2,4,8,12,16）和真实钙电流数量K（0,2,4）。在所有J值下，提出方法均成功保留了必要电流（I₁和I₂），将不必要电流压缩为零。当K=0时，所有候选电流均被排除；当K=2和4时，仅必要电流被保留且电导估计准确。这证明了该方法在不同稀疏度条件下的稳健选择性估计能力。

总结讨论与结论：研究人员提出了一种联合估计潜在变量和生物物理参数的方法，结合了序贯蒙特卡洛方法和带有稀疏建模的EM算法。利用一个同时包含膜电位和钙动力学（calcium dynamics）的电导基神经元模型，该方法通过序贯蒙特卡洛方法估计多维潜在变量，并通过最大化反映神经元动力学的Q函数（Q function）来更新电学参数，同时实现稀疏建模。该方法能够联合估计膜电位、细胞内钙离子动力学，并稀疏选择控制整个过程的电学参数。仅从膜电位观测出发，研究人员利用序贯蒙特卡洛方法成功估计了一维观测设置下的潜在变量，并使估计的电学特性收敛到真实值。此外，稀疏扩展成功抑制了非活跃电流成分，同时保留了真正有贡献的电流。这些结果证明了所提出估计框架在神经元动力学中的有效性，以及稀疏估计在神经元模型稳健电流选择和参数估计中的实用性。