[論文レビュー] Conductance-based dendrites perform Bayes-optimal cue integration

Jakob Jordan, João Sacramento+3 more|arXiv (Cornell University)|Apr 27, 2021

Neural dynamics and brain function被引用数 1

ひとこと要約

本論文は、皮質Pyramidal細胞のシナプス伝導度に基づく dendrite が、局所的な反転電位と伝導度を通じて事前予想（apical dendrite）と尤度（basal dendrite）を符号化することにより、Bayes最適な情報統合を実装すると提案する。胞体膜電位は自然に除法正規化によって事後分布を計算し、勾配に基づく可塑性則により、信頼性に応じた入力重みの学習が可能となる。この仕組みは、複数感覚統合を説明するとともに、dendritic計算およびシナプス可塑性に関する検証可能な予測を提示する。

ABSTRACT

A fundamental function of cortical circuits is the integration of information from different sources to form a reliable basis for behavior. While animals behave as if they optimally integrate information according to Bayesian probability theory, the implementation of the required computations in the biological substrate remains unclear. We propose a novel, Bayesian view on the dynamics of conductance-based neurons and synapses which suggests that they are naturally equipped to optimally perform information integration. In our approach apical dendrites represent prior expectations over somatic potentials, while basal dendrites represent likelihoods of somatic potentials. These are parametrized by local quantities, the effective reversal potentials and membrane conductances. We formally demonstrate that under these assumptions the somatic compartment naturally computes the corresponding posterior. We derive a gradient-based plasticity rule, allowing neurons to learn desired target distributions and weight synaptic inputs by their relative reliabilities. Our theory explains various experimental findings on the system and single-cell level related to multi-sensory integration, which we illustrate with simulations. Furthermore, we make experimentally testable predictions on Bayesian dendritic integration and synaptic plasticity.

研究の動機と目的

• 不確実な感覚的線索のBayes最適統合を、生物学的に妥当なdendriticメカニズムを用いて実現する方法を説明すること。
• 伝導度に基づくシナプスダイナミクスが、除法正規化を通じて自然にベイズ推論を実装することを示すこと。
• 入力の信頼性に応じてシナプス重みを調整することで、ターゲット事後分布に一致するように学習できる、単一ニューロンの可塑性則を開発すること。
• 単一ニューロンの計算とシステムレベルのベイズ行動を統合し、複数感覚統合の実験的知見を説明すること。
• dendritic統合およびシナプス重み適応に関する、実験的に検証可能な予測を生成すること。

提案手法

• apical dendrite を、有効な反転電位と伝導度を用いて、胞体電位の事前分布を符号化するモデルとして扱う。
• basal dendrite を、同様の伝導度パrameterを用いて、胞体電位の尤度を符号化するモデルとして扱う。
• 伝導度に基づくシナプスを用いたleaky integrate-and-fireダイナミクスを用い、除法正規化によって事後分布を計算する。
• ターゲット胞体活動と分散に基づいて、事後分布の対数を勾配上昇させる確率的勾配則を導出することで、シナプス重みを更新する。
• 複数感覚統合タスクをシミュレートするため、可塑性シナプスを備えた二コンpartメントニューロンモデルを用いる。
• 異なる線索信頼性および訓練プロトコルを用いた線索統合タスクのシミュレーションを通じて、モデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 伝導度に基づくdendriticコンパートメントは、局所的な膜ダイナミクスによって自然にベイズ的事後分布を計算できるか？
• RQ2 apicalおよびbasal dendrite は、生物学的に妥当な方法で、事前分布と尤度をどのように統合的に符号化するか？
• RQ3 単一ニューロンの可塑性則は、入力の信頼性に応じて重みを調整し、ターゲット事後分布に一致させることができるか？
• RQ4 提案されたモデルは、複数感覚統合実験から得られた行動的および神経的データを再現できるか？
• RQ5 理論は、dendritic統合およびシナプス可塑性に関して、実験的に検証可能な予測をどのように生成するか？

主な発見

• 伝導度に基づくdendriteは、コンパートメント膜電位の除法正規化を通じて事後分布を計算し、Bayes最適な統合を実現する。
• モデルは、信頼性に応じて入力を重み付ける能力を効果的に学習し、信頼性が低い入力は、合計の興奮性および抑制性伝導度が小さくなる。
• シミュレーションにより、信頼性が異なる線索統合タスクにおいて正確な分類が達成され、Bayes最適ベンチマークと同等の性能を示した。
• 訓練済みモデルは、事前予想の影響やモality特異的信頼性の影響を含む、実験的データを説明できる。
• 理論は、シナプス可塑性がターゲット活動とターゲット分散の両方に応じて重みを調整することで、動的な信頼性に基づく重み付けが可能になると予測する。
• このフレームワークは、皮質回路における単一細胞ダイナミクスとシステムレベルのベイズ行動を統合的に説明する。