使用传输的连续时间估计器推断尖端神经元的有效网络

科学领域:

• 计算神经科学是一种神经科学.
• 网络科学 网络科学
• 时间序列分析 时间序列分析

背景情况:

• 从高维时间序列数据进行有效的网络推断对于理解复杂系统至关重要.
• 多变量转移 (TE) 是推断数据中的定向关系的一个流行的工具.
• 现有的TE方法面临的挑战是基于事件的数据,如神经尖端列车.

研究的目的:

• 引入和验证用于分析尖峰列车数据的新型连续时间TE估计器.
• 为了证明这种新估计器在推断有效神经网络方面的有效性.
• 将新估计器的性能与现有方法进行比较.

主要方法:

• 为基于事件的数据 (尖端列车) 量身定制的连续时间TE估计器的开发.
• 估计器应用于模拟的尖端神经元数据,具有已知的基础真相连接.
• 对对 TE,卷积神经网络和通用线性模型 (GLM) 的比较分析.

主要成果:

• 连续时间TE估计器准确地推断了跨各种动态模式的神经网络连接.
• 它显著优于对 TE 和卷积神经网络方法.
• 该方法在GLMs上显示了明显的优势,特别是在具有高神经同步的场景中.
• 该方法成功地揭示了神经细胞培养中有效连接发展的模式.

结论:

• 连续时间TE估计器是一个强大而准确的工具,可以从尖峰列车数据中推断出有效的网络.
• 这种方法比现有的神经数据分析技术提供了实质性的改进.
• 它为神经动力学,连接性和发育过程提供了宝贵的见解.