Clustering Structural Brain Networks Using Pairwise Correlations of Spike Trains
Autores
|
7552 |
3263,753,2960
|
|
|
7553 |
3263,753,2960
|
|
|
7554 |
3263,753,2960
|
Informações:
Publicações do PESC
Este trabalho apresenta uma análise experimental do problema de recuperação exata de comunidades de redes neuronais a partir de observações de spike trains. Um modelo de atividade neuronal linear foi usado para redes com comunidades e dois tipos de conexões entre neurônios: excitatórias e inibitórias. Uma variação do stochastic block model com arestas direcionadas e pesos também foi adotada. Para gerar dados de spike trains, um simulador parametrizável do processo estocástico de ativação neuronal durante um horizonte de tempo predefinido foi construído. A partir dessas amostras de spike trains, os neurônios foram agrupados em duas comunidades por meio de um algoritmo de spectral clustering que recebe uma matriz simétrica onde as entradas correspondem a uma função da correlação de Pearson par-a-par entre os spike trains. A acurácia da recuperação das comunidades foi avaliada usando diferentes cenários para estudar experimentalmente o threshold para detecção de comunidades a partir dos spike trains. Os resultados sugeriram uma dependência aparentemente linear entre as forças de conexão intra e intercomunidade para uma acurácia fixa. Parâmetros como a probabilidade de ativação espontânea e a fração de arestas excitatórias também parecem estar relacionados entre si. Outro parâmetro fundamentalmente importante para alta acurácia é o tamanho dos spike trains, pois isso determina a qualidade da estimativa das correlações par-a-par. Assim, dados todos os outros parâmetros do modelo, um comprimento mínimo dos spike trains também é necessário para recuperação exata, adicionando uma nova dimensão à detecção de comunidades.
This work presents an experimental analysis of the problem of exact recovery of neuronal network communities from spike train observations. A linear neuronal activity model was used for networks with communities and two types of connections between neurons: excitatory and inhibitory. A variation of the stochastic block model with directed edges and edge weights was also adopted. In order to generate spike train data, a parameterizable simulator of the stochastic process of neuronal activation during a predefined time horizon was built. From these spike train samples, neurons were clustered into two communities through a spectral clustering algorithm that receives a symmetric matrix where entries correspond to a function of the pairwise Pearson correlation between the spike trains. The accuracy of recovering the communities was evaluated using different scenarios to experimentally study the threshold for community detection from the spike train data. The results suggested an apparently linear dependence between the intra- and inter-community connection strengths for a fixed accuracy. Parameters such as the probability of spontaneous activation and the fraction of excitatory edges also seem to be related to each other. Another fundamentally important parameter for high accuracy is the length of the spike trains, as this determines the quality of estimation of the pairwise correlations. Thus, given all other model parameters, a minimum spike train length is also required for exact recovery, adding a novel dimension to community detection.
