[論文レビュー] Network structure of cascading neural systems predicts stimulus propagation and recovery

Harang Ju, Jason Z. Kim+1 more|arXiv (Cornell University)|Dec 21, 2018

Neural dynamics and brain function参考文献 74被引用数 5

ひとこと要約

本研究では、皮質ニューロン系のネットワーク構造——特にサイクルとそれら内の強い結合——が、連鎖的神経活動における刺激伝播の持続時間と回復を決定することを示している。線形システム理論、ネットワーク制御理論、情報理論を、実験的およびシミュレートされたスパikingデータに適用することで、著者らはこうした構造的モチーフが作業記憶や注意に不可欠な長期間にわたる活性化パターンを可能にすることを明らかにした。

ABSTRACT

Many neural systems display cascading behavior characterized by uninterrupted sequences of neuronal firing. This gap precludes an understanding of how variations in network structure manifest in neural dynamics and either support or impinge upon information processing. Here, we develop a theoretical understanding of how network structure supports information processing through network dynamics, and we validate our theory with empirical data. Using a generalized spiking model and mathematical tools from linear systems theory, network control theory, and information theory, we show how network structure can be designed to temporally extend the propagation and recovery of certain stimulus patterns. Moreover, we observe cycles as structural and dynamic motifs that are prevalent in such networks. Broadly, our results demonstrate how cascading neural networks could contribute to cognitive faculties that require lasting activation of neuronal patterns, such as working memory or attention.

研究の動機と目的

• 皮質回路における神経ネットワーク構造、ダイナミクス、情報処理の間のギャップを埋める。
• 実験的ネットワークモチーフ——特にサイクルと強い結合——が神経連鎖の持続時間にどのように制約を加えるかを理解する。
• ネットワークトポロジーと認知に関連する持続的活性化パターンを結びつける理論的枠組みを構築する。
• シミュレートされたスパikingニューロンネットワークと実験的神経データの両方を用いて予測を検証する。
• 相互情報量と制御可能性メトリクスを用いて、ネットワーク構造が時間経過に伴う情報保持をどのように維持するかを定量化する。

提案手法

• システム記憶と連鎖持続時間の分析のため、スパイク伝播をマルコフ連鎖における状態遷移としてモデル化する。
• 隣接行列 A と有限時間ステップ（F=100）におけるインパulse応答を用いて、線形システム理論を適用し、連鎖持続時間の分布を予測する。
• 活性化ノードの平均をとった有限平均制御可能性（FAC）を用い、初期神経活動状態が連鎖の持続性に与える影響を定量化する。
• 非対称ネットワークトポロジーのため、固有値と固有ベクトル成分の絶対値を取ることで、モード制御可能性を非対称行列へ拡張する。
• 初期状態とシステム軌道間の相互情報量を計算し、異なるネットワークアーキテクチャにおける情報保持の度合いを評価する。
• 4種類の生成的グラフモデルと実験データを用いて、非臨界および臨界（アバランチ）状態の両方で発見を検証する。

実験結果

リサーチクエスチョン

• RQ1 ネットワークトポロジー、特にサイクルと強い結合は、神経連鎖の持続時間にどのように影響を与えるか？
• RQ2 有限平均制御可能性（FAC）は、連鎖的システムにおける神経活動パターンの持続性をどの程度正確に予測できるか？
• RQ3 双方向結合やコミュニティ組織といった構造的モチーフは、神経ネットワークにおける情報維持にどのように寄与するか？
• RQ4 初期状態とシステム軌道間の相互情報量は、連鎖的ダイナミクスにおける情報回復を定量化するために用いることができるか？
• RQ5 ネットワーク構造とダイナミクスは、作業記憶や注意に関連する長期間の活性化パターンをどのように支援するか？

主な発見

• サイクル内に存在するサイクルと強い結合は、連鎖持続時間の長尾分布を生成する主要な構造的モチーフであり、持続的神経活動の説明に寄与する。
• 初期活動状態の有限平均制御可能性（FAC）は、連鎖持続時間を強く予測しており、FAC値が高いほど連鎖が長期間にわたって持続する。
• 非対称行列への拡張により、モード制御可能性は、特にサイクル部分ネットワークにおいて、長期的なシステム応答を引き起こすノードを的確に同定できた。
• 相互情報量解析により、ネットワーク構造が情報保持に与える影響が確認され、サイクルや強い結合を豊富に含むネットワークでは、情報維持度が高くなることが示された。
• 理論的枠組みは、アバランチ行動を示すシミュレート済みおよび実験的スパikingニューロンネットワークの両方で、連鎖ダイナミクスを正確に予測できた。
• モデルは非臨界および臨界（スケールフリーやスモールワールド）ネットワークを含む、さまざまなネットワークタイプにおいても頑健であり、広範な適用可能性を示した。