[論文レビュー] Two-compartment neuronal spiking model expressing brain-state specific apical-amplification, -isolation and -drive regimes

Elena Pastorelli, Alper Yegenoglu+6 more|arXiv (Cornell University)|Nov 10, 2023

Neural dynamics and brain function被引用数 4

ひとこと要約

この論文は、高性能コンピューティングインfraストラクチャ上での機械学習駆動型の進化的アルゴリズムを用いて最適化された、区分線形転送関数（ThetaPlanes）を用いる生物学的に妥当な二 compartment スパイクニューロンモデルを紹介する。このモデルは、覚醒状態での増幅、深く非レム睡眠状態での分離、レム睡眠状態での駆動という脳状態特異的な apical 機能を再現する。モデルは大規模な状態依存学習のシミュレーションを可能にし、NEST、Neuron、Brian といった主要なシミュレーションプラットフォームとネイティブに互換性を持つ。

ABSTRACT

Mounting experimental evidence suggests that brain-state-specific neural mechanisms, supported by connectomic architectures, play a crucial role in integrating past and contextual knowledge with the current, incoming flow of evidence (e.g., from sensory systems). These mechanisms operate across multiple spatial and temporal scales, necessitating dedicated support at the levels of individual neurons and synapses. A notable feature within the neocortex is the structure of large, deep pyramidal neurons, which exhibit a distinctive separation between an apical dendritic compartment and a basal dendritic/perisomatic compartment. This separation is characterized by distinct patterns of incoming connections and brain-state-specific activation mechanisms, namely, apical amplification, isolation, and drive, which are associated with wakefulness, deeper NREM sleep stages, and REM sleep, respectively. The cognitive roles of apical mechanisms have been demonstrated in behaving animals. In contrast, classical models of learning in spiking networks are based on single-compartment neurons, lacking the ability to describe the integration of apical and basal/somatic information. This work aims to provide the computational community with a two-compartment spiking neuron model that incorporates features essential for supporting brain-state-specific learning. This model includes a piece-wise linear transfer function (ThetaPlanes) at the highest abstraction level, making it suitable for use in large-scale bio-inspired artificial intelligence systems. A machine learning evolutionary algorithm, guided by a set of fitness functions, selected the parameters that define neurons expressing the desired apical mechanisms.

研究の動機と目的

• 皮質 pyramidal ニューロンで観察される脳状態特異的 apical 動態（増幅、分離、駆動）を捉える、計算的に効率的な二 compartment スパイクニューロンモデルの開発。
• 単一 compartment モデルと生物学的現実性のギャップを埋めるために、状態依存的学習および記憶統合に不可欠な apical dendritic 機能を組み込む。
• NEST、Neuron、Brian などの標準シミュレーションフレームワークに統合することで、脳状態依存神経ダイナミクスの大規模シミュレーションを可能にする。
• 学習から学ぶ（L2L）フレームワークを用いた進化的最適化が、複数の脳状態にわたり望ましい神経ダイナミクスを支持するパラメータセットを効率的に同定できることを示すこと。

提案手法

• モデルは、個々に異なる積分・放電ダイナミクスと電圧依存性イオンチャネルを持つ somatic および apical dendritic の二つのコンパートメントで構成される。
• apical dendritic Ca2+ スパイクおよびバースト放電の特徴的な非線形入出力変換を捉えるために、区分線形転送関数（ThetaPlanes）が導入される。
• 適応度関数のセットによって駆動される進化的アルゴリズムが、脳状態特異的行動を再現するニューロン設定の探索に用いられる。
• 高次元のパラメータ依存性の効率的かつ並列化された探索を可能にするために、高性能コンピューティング（HPC）インfraストラクチャ上での学習から学ぶ（L2L）フレームワークを用いて最適化が実施される。
• NEST シミュレーション環境への実装により、大規模ネットワークシミュレーションとの互換性が保証され、NMDA スパイクをサポートするような追加コンパートメントへの拡張性も確保される。
• 適応度関数は、状態特異的ダイナミクスを強制するように設計されている：覚醒状態では高周波バースト（apical 増幅）、深く非レム睡眠状態では低 apical 活動（分離）、レム睡眠に類似した状態では持続的 apical 駆動。

実験結果

リサーチクエスチョン

• RQ1 二 compartment スパイクニューロンモデルは、それぞれの覚醒状態（覚醒、深く非レム睡眠、レム睡眠）に対応する三つの異なる apical 動態（増幅、分離、駆動）を再現できるか？
• RQ2 機械学習駆動型の進化的アルゴリズムは、複数の脳状態にわたり、生物学的に妥当なパラメータセットを効率的に同定できるか？
• RQ3 区分線形転送関数（ThetaPlanes）は、計算効率を損なわずに apical dendritic スパイクの非線形ダイナミクスをどれほど正確に捉えることができるか？
• RQ4 二 compartment モデルに apical 機能を組み込むことで、状態依存タスクにおいて単一 compartment モデルと比較して、学習およびネットワークダイナミクスにどの程度向上が見られるか？
• RQ5 このモデルは、NEST、Neuron、Brian といった既存の大規模神経シミュレーションプラットフォームにネイティブに統合可能で、全脳モデリングに応用可能か？

主な発見

• L2L フレームワークは、三つの異なる apical 動態（増幅、分離、駆動）を、それぞれの脳状態で再現するパラメータセットを成功裏に同定した。進化的最適化が複雑な神経モデルに適していることが示された。
• ThetaPlanes 転送関数を備えた二 compartment モデルは、 somatic アクションポテンシャルと dendritic Ca2+ スパイクの相互作用を正確に捉え、状態特異的バーストおよび調節を可能にした。
• モデルは、既存の大規模シミュレーションおよび平均場モデルと整合性を持つ、適応的指数積分・放電（AdEx）フレームワークと互換性を保った。
• モデルは NEST にネイティブに実装可能であり、大規模ネットワークシミュレーションへの直接統合と、NMDA スパイクをサポートするような追加コンパートメントへの将来的な拡張が可能である。
• HPC と L2L の併用により、高次元パラメータ空間の効率的かつ並列的探索が可能になり、最小限の手動チューニングで最適な設定が特定された。
• 結果から、進化が単純な二 compartment 形態を用いても、apical 機能の認知的利点を容易に発見できた可能性が示唆され、皮質 pyramidal ニューロンにおける段階的形態的複雑化の仮説を支持する。