NSM-003

観測 dwell time のスペクトル分解
— §3 peak の有無 ↔ §5 係数の符号、式レベルの橋渡し

作成日: 2026-05-23 / §3→§5 式レベル詳細編 / Mathematics in Neuroscience プレゼン準備

学習ノート索引へ戻る

1. 大前提 — 観測 dwell time の一般形

1.1 Q 行列の block 分割

チャネルが Open (O) か Closed (C) か、2 クラスしか観測できないとする。全状態を Open 状態の集合と Closed 状態の集合に分けると、Q 行列は自然に block 分割される。

$$Q = \begin{pmatrix} Q_{OO} & Q_{OC} \\ Q_{CO} & Q_{CC} \end{pmatrix}$$

各 block の意味:

Block	行	列	物理的意味
$Q_{OO}$	Open 状態	Open 状態	Open 内部での遷移レート
$Q_{OC}$	Open 状態	Closed 状態	Open → Closed の遷移レート
$Q_{CO}$	Closed 状態	Open 状態	Closed → Open の遷移レート
$Q_{CC}$	Closed 状態	Closed 状態	Closed 内部での遷移レート (今回の主役)

1.2 観測 dwell time 密度

チャネルが Closed に入った直後から Open に戻るまでの観測滞在時間 $T_C$ の確率密度は、Colquhoun-Hawkes (1981) の結果として次のように与えられる。

$$\boxed{f_C(t) = \boldsymbol{\pi}_C \, e^{Q_{CC} t} \, (-Q_{CC} \mathbf{1})}$$

$\boldsymbol{\pi}_C$: Closed に入った瞬間の初期分布（行ベクトル、$\pi_C$ の各成分は各 Closed 状態に入る確率）
$e^{Q_{CC} t}$: $Q_{CC}$ の行列指数関数（まだ Open に脱出せず Closed 内に留まっている確率の伝播）
$(-Q_{CC} \mathbf{1})$: 各 Closed 状態から Open に脱出するレートの列ベクトル（$Q_{CC}$ の各行は行和が負または 0 なので $-Q_{CC}\mathbf{1} \ge 0$）

物理的な読み方: $f_C(t) \, dt$ は「$t$ 時刻に Closed 状態のいずれかにいて（$\boldsymbol{\pi}_C e^{Q_{CC}t}$ の部分）、かつ $[t, t+dt]$ の間に Open へ脱出する（$-Q_{CC}\mathbf{1} \, dt$ の部分）」確率。

2. 対角化による $\sum_k c_k e^{\lambda_k t}$ への分解

2.1 $Q_{CC}$ の対角化

$Q_{CC}$ は $n_C \times n_C$ 行列（$n_C$ = Closed 状態の数）。$Q_{CC}$ の固有値を $\lambda_1, \ldots, \lambda_{n_C}$、右固有ベクトルを列に並べた行列を $V$、$V$ の逆行列を $V^{-1}$ とすると:

$$Q_{CC} = V \Lambda V^{-1}, \qquad \Lambda = \mathrm{diag}(\lambda_1, \ldots, \lambda_{n_C})$$

行列指数関数の対角化:

$$e^{Q_{CC} t} = V e^{\Lambda t} V^{-1} = V \begin{pmatrix} e^{\lambda_1 t} & & \\ & \ddots & \\ & & e^{\lambda_{n_C} t} \end{pmatrix} V^{-1}$$

図 1. Q_CC の対角化から Σ cₖ e^(λₖt) への分解フロー。λₖ（固有値）と cₖ（係数）は全く異なる役割を担う。

2.2 係数 $c_k$ の明示的な形

$f_C(t)$ に代入して整理すると:

$$f_C(t) = \boldsymbol{\pi}_C \, V e^{\Lambda t} V^{-1} \, (-Q_{CC}\mathbf{1})$$

$\boldsymbol{\pi}_C V$ を行ベクトル $\boldsymbol{u}^T = (u_1, \ldots, u_{n_C})$、$V^{-1}(-Q_{CC}\mathbf{1})$ を列ベクトル $\boldsymbol{w} = (w_1, \ldots, w_{n_C})^T$ と置くと:

$$f_C(t) = \sum_{k=1}^{n_C} c_k \, e^{\lambda_k t}, \qquad c_k = u_k w_k = [\boldsymbol{\pi}_C V]_k \cdot [V^{-1}(-Q_{CC}\mathbf{1})]_k$$

係数 $c_k$ の正体: 初期分布 $\boldsymbol{\pi}_C$ を $k$ 番目の固有モードに射影した大きさ $u_k$ と、$k$ 番目の固有モードが Open へ脱出するレートに寄与する大きさ $w_k$ との積。
$u_k$ も $w_k$ も実数（符号不定）であるため、$c_k = u_k w_k$ の符号は原理的に正にも負にもなりうる。

3. 固有値 $\lambda_k$ の符号 vs 係数 $c_k$ の符号 — 全く異なる役割

3.1 $\lambda_k < 0$ は常に成り立つ — なぜか

$Q_{CC}$ は Q 行列の左上 block であり、次の性質を持つ:

対角成分: $q_{ii}^{CC} \le 0$（Closed 状態 $i$ からの離脱レートの負値）
非対角成分: $q_{ij}^{CC} \ge 0$（Closed 状態 $i \to j$ の遷移レート）
行和: $\sum_j q_{ij}^{CC} \le 0$（$= 0$ なら Closed から Open へ出る遷移がない、通常は $< 0$）

この構造から、$Q_{CC}$ は sub-generator matrix（$Q$ の sub-stochastic 版）になっており、その全固有値の実部は負：

$$\lambda_k < 0 \quad \text{for all } k = 1, \ldots, n_C$$

よって各項 $c_k e^{\lambda_k t}$ は $t \to \infty$ で $0$ に減衰する。時定数は $\tau_k = -1/\lambda_k > 0$。

$|\lambda_k|$ の大小 = 「速い・遅い」: $|\lambda_k|$ が大きいほど速く減衰する（短い時定数 $\tau_k$）。ヒストグラムの「速い成分・遅い成分」は $\lambda_k$ の絶対値の大小に対応する。

3.2 $c_k$ の符号 = peak の有無の判定子

$t = 0$ での値と微分を計算すると:

$t = 0$ での値: $f_C(0) = \sum_k c_k$（$e^{\lambda_k \cdot 0} = 1$ なので）

$t = 0$ での微分: $f_C'(0) = \sum_k c_k \lambda_k$

$f_C$ は非負・$L^1$ 関数なので最大値を持つ。$f_C'(0) > 0$ なら $t=0$ 付近で増加してから減衰するため、内部に peak が必ず存在する。

すべての $c_k > 0$ の場合:

$f_C(0) = \sum_k c_k > 0$
$f_C'(0) = \sum_k c_k \lambda_k < 0$（$\lambda_k < 0$ かつ $c_k > 0$ なので）
したがって $f_C$ は $t = 0$ から単調減少 → peak なし

符号が混在する場合（ある $k$ で $c_k < 0$）:

$f_C(0) = \sum_k c_k$ は小さくなる（正の項が負の項で打ち消される）
負の $c_k$ に対応する成分は $t$ が大きくなるにつれて「引き算量が減る」効果を持つ
これにより $f_C$ が最初は増加してから減少する、すなわち peak が出現する

3.3 peak の位置の公式 (2成分の場合)

2 状態 Closed ($n_C = 2$) で $c_1 < 0 < c_2$（または $c_1 > 0 > c_2$）のとき、peak の位置は次の式で与えられる:

$$t_{\text{peak}} = \frac{1}{\lambda_1 - \lambda_2} \ln\!\left(\frac{-c_2 \lambda_2}{c_1 \lambda_1}\right)$$ (符号混在の場合、引数が正になる組み合わせを選ぶ)

この式は $f_C'(t_{\text{peak}}) = 0$、すなわち $c_1 \lambda_1 e^{\lambda_1 t} + c_2 \lambda_2 e^{\lambda_2 t} = 0$ を解いたものである。

図 2. 全係数正（左: 単調減少, 指数の和 mixture）vs 符号混在（右: peak あり, 畳み込み Erlang/hypoexp）の比較。点線は各成分 cₖ e^(λₖt)、実線は合計 f_C(t)。

4. 具体例 1 — 直列 2 状態 (C₁ → C₂ → O): 畳み込み (Erlang/hypoexponential) 型

4.1 モデルと $Q_{CC}$

Closed 状態が 2 つあり、C₁ → C₂ → O の順で Open に向かう（直列、逐次遷移）。遷移レートを $\alpha$（C₁ → C₂）、$\beta$（C₂ → O）とする（$\alpha \ne \beta$）。

図 3. 直列 2 状態モデル ($\alpha \ne \beta$ の hypoexponential)。Q_CC は上三角行列で固有値は対角成分 -α, -β。係数は異符号 → peak あり (畳み込み型)。$\alpha=\beta$ なら厳密 Erlang。

4.2 計算の詳細

$Q_{CC} = \begin{pmatrix}-\alpha & \alpha \\ 0 & -\beta\end{pmatrix}$、初期分布 $\boldsymbol{\pi}_C = (1, 0)$（C₁ から開始）。

$-Q_{CC}\mathbf{1}$（Open への脱出レート列ベクトル）の計算:

$$-Q_{CC}\mathbf{1} = -\begin{pmatrix}-\alpha & \alpha \\ 0 & -\beta\end{pmatrix}\begin{pmatrix}1\\1\end{pmatrix} = -\begin{pmatrix}0\\\!-\beta\end{pmatrix} = \begin{pmatrix}0\\\beta\end{pmatrix}$$

（C₁ は直接 Open に出られない; C₂ だけが Open に出るレート $\beta$ を持つ）

行列指数関数の計算（上三角行列の場合の公式を使う）:

$$e^{Q_{CC}t} = \begin{pmatrix}e^{-\alpha t} & \frac{\alpha}{\alpha-\beta}(e^{-\beta t}-e^{-\alpha t}) \\ 0 & e^{-\beta t}\end{pmatrix} \quad (\alpha \ne \beta \text{ の場合})$$

$f_C(t)$ の計算:

\begin{align} f_C(t) &= (1,\, 0) \begin{pmatrix}e^{-\alpha t} & \frac{\alpha}{\alpha-\beta}(e^{-\beta t}-e^{-\alpha t}) \\ 0 & e^{-\beta t}\end{pmatrix} \begin{pmatrix}0\\\beta\end{pmatrix}\\ &= (e^{-\alpha t},\; \tfrac{\alpha}{\alpha-\beta}(e^{-\beta t}-e^{-\alpha t})) \begin{pmatrix}0\\\beta\end{pmatrix}\\ &= \frac{\alpha\beta}{\alpha-\beta}(e^{-\beta t} - e^{-\alpha t}) \end{align}

符号を揃えると:

$$f_C(t) = \underbrace{\frac{-\alpha\beta}{\alpha-\beta}}_{c_1 < 0 \text{ (if } \alpha > \beta)} e^{-\alpha t} + \underbrace{\frac{\alpha\beta}{\alpha-\beta}}_{c_2 > 0} e^{-\beta t}$$

直列 2 状態の結論（初期分布 $\boldsymbol{\pi}_C = (1,0)$ の場合）: $c_1$ と $c_2$ は異符号（$c_1 = -c_2$）。
このとき $f_C(0) = 0$（$c_1 + c_2 = 0$）かつ $f_C'(0) > 0$ となり、peak が必ず存在する。
peak の位置: $t_{\text{peak}} = \frac{1}{\alpha - \beta}\ln(\alpha/\beta)$
（注: 一般の初期分布では $c_1 + c_2 \ne 0$ となり $f_C(0) > 0$ から始まる場合もある。ただし符号混在のため $f_C'(0)>0$ なら依然として peak が現れる。）

5. 具体例 2 — 並列 2 状態指数の和 (mixture) (O → {C₁, C₂}): 単調減少型

5.1 モデルと $Q_{CC}$

Open から Closed₁ または Closed₂ に入り、それぞれ独立に脱出する（並列、互いに行き来しない）。

図 4. 並列 2 状態モデル。Q_CC は対角行列で固有値 = 対角成分 -μ₁, -μ₂。係数はすべて正 → 単調減少 (指数の和 mixture 型)。

5.2 計算の詳細

$Q_{CC} = \begin{pmatrix}-\mu_1 & 0 \\ 0 & -\mu_2\end{pmatrix}$（対角行列）、初期分布 $\boldsymbol{\pi}_C = (p_1, p_2)$。

$Q_{CC}$ はすでに対角化されているので $V = I$（単位行列）。

$$e^{Q_{CC}t} = \begin{pmatrix}e^{-\mu_1 t} & 0 \\ 0 & e^{-\mu_2 t}\end{pmatrix}$$

$$-Q_{CC}\mathbf{1} = \begin{pmatrix}\mu_1\\\mu_2\end{pmatrix}$$

\begin{align} f_C(t) &= (p_1, p_2) \begin{pmatrix}e^{-\mu_1 t} & 0 \\ 0 & e^{-\mu_2 t}\end{pmatrix} \begin{pmatrix}\mu_1\\\mu_2\end{pmatrix}\\ &= p_1 e^{-\mu_1 t} \mu_1 + p_2 e^{-\mu_2 t} \mu_2\\ &= p_1\mu_1 e^{-\mu_1 t} + p_2\mu_2 e^{-\mu_2 t} \end{align}

並列 2 状態の結論: $c_1 = p_1\mu_1 > 0$, $c_2 = p_2\mu_2 > 0$（すべて正）。
$f_C(0) = p_1\mu_1 + p_2\mu_2 > 0$ かつ $f_C'(0) = -p_1\mu_1^2 - p_2\mu_2^2 < 0$。
単調減少 → peak なし（指数の和 mixture 分布の典型形）。

5.3 なぜ対角行列だと係数がすべて正になるのか

$Q_{CC}$ が対角行列 $\Leftrightarrow$ Closed 状態間の遷移がない $\Leftrightarrow$ 各 Closed 状態が独立に存在する（並列構造）。このとき $V = I$ なので:

$$c_k = [\boldsymbol{\pi}_C \cdot I]_k \cdot [I \cdot (-Q_{CC}\mathbf{1})]_k = (\pi_C)_k \cdot \mu_k = p_k \mu_k$$

$p_k \ge 0$（確率）かつ $\mu_k > 0$（正の離脱レート）なので、$c_k \ge 0$ が保証される。並列構造 ↔ $Q_{CC}$ が対角的 ↔ 係数がすべて正という対応が成り立つ。

6. §3 ↔ §5 完全対応表

§3 (現象論・観察)	§5 (数学的正体・Q 行列のスペクトル)
ヒストグラムに現れる指数の本数	$Q_{CC}$ の固有値 $\lambda_k$ の個数 = Closed 状態数 $n_C$
peak の有無	係数 $c_k$ の符号パターン（正のみ or 符号混在）
指数の和 (mixture / 重ね合わせ)	$c_k$ がすべて正; $Q_{CC}$ が block diagonal（並列構造）
畳み込み (Erlang / hypoexponential)	$c_k$ に符号混在; $Q_{CC}$ に非対角項あり（直列構造）
速い・遅い指数成分	$\|\lambda_k\|$ の大小（大 = 速い減衰, 小 = 遅い減衰）
指数成分の時定数	$\tau_k = -1/\lambda_k = 1/\|\lambda_k\|$
peak の位置 $t_{\text{peak}}$	$\frac{1}{\lambda_1-\lambda_2}\ln(-c_2\lambda_2 / c_1\lambda_1)$（2成分の場合）
$f_C(0) = 0$（density が 0 から立ち上がる、特定の初期分布で）	$\sum_k c_k = 0$（純直列 & 初期状態が入口に固定の場合: $c_1 + c_2 = 0$ など）

図 5. §3 観測ヒストグラム（現象論）と §5 Q_CC スペクトル分解（数学的正体）の双方向対応。固有値 λₖ の符号と係数 cₖ の符号は全く異なる役割を担う。

7. プレゼンでの「スライド 1 枚」まとめ（数学者向け）

数学者に §3 → §5 の論理を一瞬で伝えるために、以下の構造をスライド 1 枚に収める提案:

主定理的まとめ

観測 Closed dwell time 密度: $$f_C(t) = \boldsymbol{\pi}_C e^{Q_{CC}t}(-Q_{CC}\mathbf{1}) = \sum_{k=1}^{n_C} c_k e^{\lambda_k t}$$

記号	何を決めるか	§3 での意味
$n_C$ = 固有値の個数	指数の本数	Closed 状態の数
$\lambda_k < 0$ (常に)	時定数 $\tau_k = -1/\lambda_k$	「速い」「遅い」成分
$c_k$ の符号	peak の有無	並列 (all > 0) vs 直列 (混在)

数学者へのフック（一言メッセージ）:
「$Q_{CC}$ の固有値が実験ヒストグラムの指数成分を決め、その係数（スペクトル分解の重み）が位相幾何学的な構造（直列 vs 並列）を符号として記憶している。」

言い換えると: 「ヒストグラムを読む = $Q_{CC}$ のスペクトルを読む」。

8. 実験上の含意 — Open と Closed で時間スケールが桁違いに違う

これまでの議論は Closed 状態の dwell time 密度 $f_C(t)$ に集中してきた。同じ式構造は Open 状態にも適用できる:

$$f_O(t) = \boldsymbol{\pi}_O \, e^{Q_{OO} t} \, (-Q_{OO} \mathbf{1}) = \sum_{k=1}^{n_O} c_k^{(O)} e^{\lambda_k^{(O)} t}$$

つまり Open / Closed のどちらの観測 dwell time も 同じ「block Q 行列の固有値分解」枠組みで解析される。形式的には対称である。
しかし実験的にはこの 2 つは 全く違う顔を見せる。

8.1 典型的な時間スケール

	固有値の個数 $n$	時定数 $\tau_k = -1/\lambda_k$ の範囲	典型的な mean dwell time
Open 状態	1 〜 2 個	0.1 〜数十 ms	数 ms オーダー
Closed 状態	3 〜 5 個（しばしばそれ以上）	μs 〜秒（4〜6 桁にわたる）	μs から秒まで bimodal/multimodal

なぜ閉時間がここまで長くなりうるか:
1 つの理由はモデルに含まれる Closed 状態の個数が一般に Open より多いこと（$n_C > n_O$）。
さらに本質的なのは、Closed クラスタには deep closed state（活性化前の resting 状態）や desensitized / inactivated state（一度開いた後に長く戻ってこない状態）が含まれること。これらは $Q_{CC}$ の固有値の中に 絶対値が極めて小さい $\lambda_k$（= 長い時定数）を生む。
結果として $f_C(t)$ は μs から秒まで 4〜6 桁にわたる多指数和になり、線形ビンの単一ヒストグラムでは見えない。

8.2 解析上の困難と対策

$f_C(t)$ の時間スケールが広いため、Open 状態と同じ解析パイプラインでは破綻する。主な対策:

対数ビニング (log-binning) — Sigworth & Sine (1987) Biophys. J. 52: 1047–1054 の方法。横軸を $\log_{10}(t)$ にしたうえで、対応する密度関数は $t \cdot f_C(t)$（log-time 軸での pdf）となり、これは log 軸上で各指数成分が 幅一定のピークとして現れる関数になる。さらに 縦軸を「ビンあたりイベント数 $N_i$ の平方根 $\sqrt{N_i}$」で表示する分散安定化変換を併用することで（$N_i$ は Poisson 的にばらつくので $\sqrt{N_i}$ の標準偏差は約 0.5 で一定になる）、最小二乗フィッティングが妥当になる。短い成分（μs）も長い成分（秒）も同じグラフ上で見える化される。
多指数フィッティング — $f_C(t) = \sum_k a_k \exp(-t/\tau_k)$ として $\{a_k, \tau_k\}$ を最尤推定する。$\tau_k$ の個数 $n_C$ は §6 の状態数に対応する。
Burst analysis — しきい値 $t_{\mathrm{crit}}$ を導入し、$t_{\mathrm{crit}}$ より短い閉時間（intra-burst）と長い閉時間（inter-burst）を分ける。これにより、短い閉時間で連結された Open 状態の「クラスター（burst）」構造を抽出できる。$t_{\mathrm{crit}}$ は 2 つの指数成分の交差点として決める（Magleby & Pallotta 1983）。

8.3 数学的な対称性と実験的な非対称性

論点まとめ:
形式上は Open と Closed は対称（同じ block Q 行列の固有値分解）。
しかし実験的には:
• Open: $f_O(t)$ は 狭い帯域 (数 ms)・少数の指数 → 普通のヒストグラムで OK
• Closed: $f_C(t)$ は 4〜6 桁の帯域・多数の指数 → log-binning と burst analysis が必須
この非対称性は $Q_{CC}$ の固有値スペクトルが $Q_{OO}$ より広いという Q 行列の構造的事実に由来する（deep closed / desensitized state の存在）。

つまり §1〜§7 で展開した「Closed dwell time = $Q_{CC}$ のスペクトル分解」という見方は、単に数学的な再表現にとどまらず、なぜ Closed の解析だけ特別な道具立て（log-binning, burst analysis）が必要なのかを統一的に説明する。

9. まとめ — §3 → §5 の式レベルの橋渡し

観測 dwell time の形: $f_C(t) = \boldsymbol{\pi}_C e^{Q_{CC}t}(-Q_{CC}\mathbf{1})$ は block 分割の自然な結果。
対角化: $Q_{CC} = V\Lambda V^{-1}$ により $e^{Q_{CC}t} = Ve^{\Lambda t}V^{-1}$ → $\sum_k c_k e^{\lambda_k t}$。
固有値 $\lambda_k$ の役割: 常に負（Closed からの離脱性を保証）; 絶対値が時定数を決め; 個数が状態数。
係数 $c_k$ の役割: 符号は原理的に正にも負にもなる; 全正 → 単調減少 (指数の和 mixture); 符号混在 → peak (畳み込み Erlang/hypoexp)。
並列 = 対角 $Q_{CC}$ = 全正係数: $V = I$ なので $c_k = p_k \mu_k > 0$。
直列 = 非対角 $Q_{CC}$ = 符号混在係数: $V \ne I$ の変換が符号を混ぜる。

一行での主張:
$Q_{CC}$ のスペクトル分解 $f_C(t) = \sum_k c_k e^{\lambda_k t}$ において、固有値 $\lambda_k$（常に負）は状態の数と速さを、係数 $c_k$ の符号は並列 vs 直列の構造を符号化する。これが §3 の「peak の有無 = 並列 vs 直列」という観察の数学的正体である。

参考文献

Colquhoun, D. & Hawkes, A. G. (1995). The principles of the stochastic interpretation of ion channel mechanisms. In: Sakmann, B. & Neher, E. (eds.) Single-Channel Recording, 2nd edition, pp. 397–482. Plenum Press, New York. → プロジェクト全体の主要典拠：スペクトル分解の解釈と dwell time 分布の理論的枠組み
Colquhoun, D. & Hawkes, A. G. (1982). On the stochastic properties of bursts of single ion channel openings and of clusters of bursts. Philosophical Transactions of the Royal Society of London B, 300, 1–59. → $f_C(t) = \boldsymbol{\pi}_C e^{Q_{CC}t}(-Q_{CC}\mathbf{1})$ のスペクトル分解の定式化と係数の符号の意味
Sigworth, F. J. & Sine, S. M. (1987). Data transformations for improved display and fitting of single-channel dwell time histograms. Biophysical Journal, 52, 1047–1054. → dwell time ヒストグラムの平方根変換表示：スペクトル成分の視覚化に関する実験的実装
Magleby, K. L. & Pallotta, B. S. (1983). Burst kinetics of single calcium-activated potassium channels in cultured rat muscle. Journal of Physiology, 344, 605–623. → 複数指数成分を持つ dwell time 分布の実験的観察：係数の符号と peak の有無の具体例

観測 dwell time のスペクトル分解— §3 peak の有無 ↔ §5 係数の符号、式レベルの橋渡し