저희 연구실에서는 PLoS Computational Biology (2024)에 최신 연구 성과를 발표하였습니다.
“동적 인과 모델링을 이용한 부분적으로 관측된 다중 모달 및 다중 스케일 신경 신호의 통합을 통한 신경 회로 추정”
강지영, 박해정
DOI: 10.1371/journal.pcbi.1012655.r004
연구 개요:
다양한 스케일과 모달리티의 신경영상 데이터를 통합하는 것은 신경 회로를 종합적으로 이해하는 데 필수적이지만, 각 모달리티가 지닌 공간적 범위와 해상도 간의 타협으로 인해 큰 도전이 따릅니다. 본 연구에서는 이러한 문제를 해결하기 위해, 부분적으로 관측된 신호들을 여러 스케일과 모달리티에서 결합할 수 있는 혁신적인 동적 인과 모델링(DCM) 프레임워크를 제시합니다. 지역의 미세한 신호와 전역의 중간/대규모 회로 데이터를 반복적으로 통합함으로써, 복잡한 신경 네트워크를 더욱 정확하게 추정할 수 있게 되었습니다. 칼슘 이미징(CaI), 전압 민감 염료 영상(VSDI), 혈액 산소 의존(BOLD) 신호 등 다양한 기법을 통해 검증된 본 방법은 기존의 단일 단계 추정 방식보다 현저하게 뛰어난 성능을 입증합니다. 저희의 상호 보완적이며 반복적인 파라미터 추정 전략이 계산 신경과학의 새로운 표준을 제시하였습니다.
Integration of partially observed multimodal and multiscale neural signals for estimating a neural circuit using dynamic causal modeling
Jiyoung Kang, Hae-Jeong Park, PLoS Computational Biology, 2024
10.1371/journal.pcbi.1012655.r004
Integrating multiscale, multimodal neuroimaging data is essential for a comprehensive understanding of neural circuits. However, this is challenging due to the inherent trade-offs between spatial coverage and resolution in each modality, necessitating a computational strategy that combines modality-specific information effectively. This study introduces a dynamic causal modeling (DCM) framework designed to address the challenge of combining partially observed, multiscale signals across a larger-scale neural circuit by employing a shared neural state model with modality-specific observation models. The proposed method achieves robust circuit inference by iteratively integrating parameter estimates from local microscale and global meso- or macroscale circuits, derived from signals across various scales and modalities. Parameters estimated from high-resolution data within specific regions inform global circuit estimation by constraining neural properties in unobserved regions, while large-scale circuit data help elucidate detailed local circuitry. Using a virtual ground truth system, we validated the method across diverse experimental settings, combining calcium imaging (CaI), voltage-sensitive dye imaging (VSDI), and blood-oxygen-level-dependent (BOLD) signals—each with distinct coverage and resolution. Our reciprocal and iterative parameter estimation approach markedly improves the accuracy of neural property and connectivity estimates compared to traditional one-step estimation methods. This iterative integration of local and global parameters presents a reliable approach to inferring extensive, complex neural circuits from partially observed, multimodal, and multiscale data, showcasing how information from different scales reciprocally enhances entire circuit parameter estimation.