(23rd Tue.)
10:00~10:05：Opening remark
「線虫×機械学習」で解明する脳機能と行動の動作原理
線虫C. エレガンスの脳はわずか200個程度の神経細胞から構成されており、全ての神経回路構造が解明されているが、その非常に小さな脳によってさまざまな刺激の知覚・記憶・（厳密な意味での）意思決定などを行うことができる。さらに体が透明であることから、光学的に神経活動を計測したり制御したりする分子遺伝学的ツールを用いれば、C. エレガンスの脳全体の神経活動を顕微鏡で計測したり、行動中のC. エレガンスの神経細胞活動を計測／操作することも可能である。これらの理由から、線虫C. エレガンスは脳機能と行動の動作原理を解明するためのシンプルな実験対象としてきわめて優れている。本講演では、我々が共同研究などで開発したC. エレガンスの脳活動や行動から多次元ビッグデータを計測する幾つかの先端的顕微鏡、および計測されたデータから重要な情報を抽出するため機械学習手法に関して紹介し、さらなる未来に関して聴衆の方々と議論したい。
言語：日本語
Investigation of information flow and temporal-spatial organization of neurons across cortical layers from multi-depth two-photon imaging data
The layered structure of the cerebral cortex remains mysterious. How information flows among cortical layers? What is the role of the multi-layer structure of the cerebral cortex in temporal state transitions and the spatial communities? To answer these questions, we acquired a serial scanning of two-photon calcium imaging at different depths from rodent posterior parietal cortex.
Neurons communicate via a combination of electrical signals (i.e., action potential) and chemical signals (i.e., neurotransmitters). How to evaluate the information carried in the neuron communications? Transfer entropy gives a possible tool to evaluate the information transfer. However, when applying the transfer entropy on the calcium imaging data, there are a lot of practical issues need to discuss for estimating the transfer entropy on the continuous, noisy neural data. We first discussed the technical details of the calculation of transfer entropy on our data and addressed the information flow by checking the average transfer entropy among different depths.
To address the temporal organization of population neural activities, we also applied a hidden Markov model (HMM) analysis, which assumes the population neural activities are derived by the hidden states. Based on the transitions between discrete states, we detect several communities (metastate) among these hidden states, i.e., the brain states tend to transit among states in the same metastate.
To address the spatial organization of neurons, we applied a Bayesian hierarchical model to identify communities of multivariate time series. This method assumed the neuronal activity time series are generated from a lower dimensional latent factor time series. And the time series of neurons belong to the same community have the same factor loading matrix. Using this method, we identified neuron clusters among different cortical depths.
言語：英語
「深層学習が駆動する定量生物学の新展開」
近年、顕微鏡技術やイメージング技術の向上に伴い様々なライブセルイメージング技術が確立されたことから、時系列顕微鏡画像の取得が容易となった。一方で、深層学習アルゴリズムのひとつである畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)を用いた顕微鏡画像に対する画像解析手法が多数提案されてきている。CNNの最大の特徴は物体認識の精度のみならず、解析者が気づけない画像中の特徴を自動的に提示することが可能な点にある。今回はこれら顕微鏡画像を対象に当研究室が進めている深層学習を用いた定量化技術(分化判別、マウス初期胚のセグメンテーション、教師なしセグメンテーション、細胞遊走予測等)について紹介したい。
言語：日本語
「非定常・非平衡イジングモデルによる神経細胞集団活動の解明」
本講演ではイジングモデルを用いた神経活動の解析の現状と将来展望を紹介する．脳の神経細胞はネットワークを形成し，スパイクと呼ばれるイベントを介して外界の情報や行動を符号化している．イジングモデルはイベントによって相互作用する要素からなるシステムを記述するコンパクトなモデルで，統計学・機械学習・統計物理学における標準的なモデルとして広く使用されている．このモデルで神経活動を記述することで，神経系の計算を機械や物理現象による計算と同じ枠組みで記述し，統一的に理解することが容易になる．神経科学における応用上重要なのは，データからモデルのパラメータを推定する「逆イジング問題」とその手法である．これまでに逆イジング問題を解くことで培養神経細胞や麻酔下の動物の集団活動が調べられてきた．しかし，これらは系の定常性と結合の対称性を仮定する平衡イジングモデルを用いており，覚醒・行動下で記録されたダイナミックに変動する神経活動を記述する事ができない．本講演では，我々が10年以上に渡って開発してきた状態空間法を用いたイジングモデルよる動的な集団活動の解析環境[1,2]を紹介し，最近の非平衡系への取り組み[3]を紹介する．
言語：日本語
「個体差に注目した細菌叢データ解析」
腸内細菌叢の組成変化や他臓器へのトランスロケーションが、肺や脳などで生じる慢性疾患発症に関与することが明らかになっている。腸内細菌叢を臓器間ネットワーク変調のマーカーとして活用することで、多疾患併存 (マルチモビディティ) の早期発見と予防につながると期待される。本講演では、早期発見と予防につながる発症前状態の予兆検出手法や細菌叢の個体差に注目し、どのようなデータ解析や数理科学的手法が必要であるかについて、展望と研究の進捗状況を紹介する。まずはじめに、予兆の検出に関連する early warning signal と、状態遷移の前状態に変動する部分ネットワークを検出する手法である Dynamical Network Biomarker (DNB) について紹介する。続けて、細菌叢の個体差に着目することで、個々人の健康状態の経時変化や位置づけをデータから表現する数理解析手法について紹介する。
言語：日本語
