[論文レビュー] Automated point-neuron simplification of data-driven microcircuit models

Rössert, Christian, Christian Pozzorini+14 more|arXiv (Cornell University)|Apr 1, 2016

Neural dynamics and brain function参考文献 31被引用数 29

ひとこと要約

この論文では、人為的介入なしに、形態的に詳細な微小回路モデルを点状ニューロン表現に自動的かつモジュラーに簡略化するフレームワークを提示する。ユーザーが定義する「作動点」と、グリーン関数に基づく手法を用いて dendritic filtering を補正することで、一般化された積分・放電（GIF）モデルを個々のニューロンに適合させ、ネットワーク動的特性を高い忠実度で維持する。複数の in silico プrotocolを用いた検証により、その有効性が裏付けられている。

ABSTRACT

A method is presented for the reduction of morphologically detailed microcircuit models to a point-neuron representation without human intervention. The simplification occurs in a modular workflow, in the neighborhood of a user specified network activity state for the reference model, the "operating point". First, synapses are moved to the soma, correcting for dendritic filtering by low-pass filtering the delivered synaptic current. Filter parameters are computed numerically and independently for inhibitory and excitatory input using a Green's function approach. Next, point-neuron models for each neuron in the microcircuit are fit to their respective morphologically detailed counterparts. Here, generalized integrate-and-fire point neuron models are used, leveraging a recently published fitting toolbox. The fits are constrained by currents and voltages computed in the morphologically detailed partner neurons with soma corrected synapses at three depolarizations about the user specified operating point. The result is a simplified circuit which is well constrained by the reference circuit, and can be continuously updated as the latter iteratively integrates new data. The modularity of the approach makes it applicable also for other point-neuron and synapse models. The approach is demonstrated on a recently reported reconstruction of a neocortical microcircuit around an in vivo-like working point. The resulting simplified network model is benchmarked to the reference morphologically detailed microcircuit model for a range of simulated network protocols. The simplified network is found to be slightly more sub-critical than the reference, with otherwise good agreement for both quantitative and qualitative validations.

研究の動機と目的

• 形態的に詳細でデータ駆動型の微小回路モデルを、点状ニューロン表現に変換する、自動的かつ繰り返し可能で定量的に検証可能な手法の開発。
• 簡略化プロセスにおける人為的介入を排除しながら、参照モデルの動的特性を維持すること。
• 参照モデルに新しい実験データが統合されるたびに、簡略化モデルを継続的に更新できるようにすること。
• 生物学的・生物理的に詳細なモデルと、理論神経科学で用いられる軽量な点状ニューロンシミュレーションとのギャップを埋めること。
• 現在の実装を超えて、他の点状ニューロンおよびシナプスモデルに適用可能な、ベンチマーク可能でモジュラーなパイプラインを提供すること。

提案手法

• ユーザーが指定する「作動点」を定義し、これを用いて簡略化プロセスをガイドする。
• シナプスを soma に再配置し、グリーン関数アプローチにより導出されたローパassフィルタを用いて、dendritic filtering を補正する。
• 励起性および抑制性入力のフィルタパラメータを、それぞれのニューロンについて数値的に独立に計算し、入力固有の動的特性を保持する。
• フィッティングツールボックスを用い、作動点周辺の3つの去分極レベルにおける膜電位およびシナプス電流データを制約として、一般化された積分・放電（GIF）点状ニューロンモデルを形態的に詳細なニューロンに適合させる。
• 簡略化ワークフローはモジュラーであり、参照モデルの進化に伴い、シナプスフィルタリングとニューロンモデルのフィッティングを個別に更新可能である。
• 結果得られた簡略化ネットワークは、参照モデルとの比較を目的とした多様な in silico プrotocolを用いて検証され、定量的および定性的な一致度が評価されている。

実験結果

リサーチクエスチョン

• RQ1 完全に自動的かつモジュラーなパイプラインは、人為的介入なしに形態的に詳細な微小回路モデルを点状ニューロン表現に簡略化できるか？
• RQ2 簡略化ネットワークは、参照モデルと比較して、スパイクパターン、相関構造、応答特性といった主要なネットワーク動的特性をどれほど正確に保持しているか？
• RQ3 簡略化プロセスはネットワークの臨界性にどの程度影響を及ぼし、その影響を緩和または補償できるか？
• RQ4 形態的詳細の削減にもかかわらず、個々のニューロンのスパイクの同一性と独自性は、どの程度保持されているか？
• RQ5 多様なネットワークプロトコルにおいて、簡略化モデルの性能はどのように比較されるか？また、複雑な時間的および空間的相関構造を捉える際の限界は何か？

主な発見

• 簡略化ネットワークは参照モデルよりもわずかにサブクリティカルであるが、定量的および定性的なベンチマークにおいて良好な一致を示している。
• オリジナルモデルとの定性的および定量的比較により、個々のニューロンのスパイクの同一性と独自性が主に保持されていることが示された。
• 刺激への感受性はわずかに低下しているが、全体的な刺激応答特性は良好に維持されている。
• 空間的および時間的両方の相関構造は、臨界性の低減を補正した後でさえ、簡略化モデルで顕著に減少している。
• k-meansクラスタリングを用いたシナプス遅延の処理により、1ニューロンあたり3～36個のシナプス後過程にまで簡略化でき、誤差の増加はわずかであった。
• このフレームワークにより、参照モデルの進化に伴い、継続的なモデル更新が可能となり、実験データと点状ニューロンモデリングの間のダイナミックなブリッジを実現している。