[논문 리뷰] Afferent specificity, feature specific connectivity influence orientation selectivity: A computational study in mouse primary visual cortex

D. Pomeroy, Yenni Tjandra외 6명|arXiv (Cornell University)|2013. 01. 06.

Visual perception and processing mechanisms참고 문헌 43인용 수 5

한 줄 요약

이 계산적 연구는 실제 시냅스 역학을 반영한 허드킨-하크리-리 네트워크 모델을 사용하여 쥐의 primary visual cortex에서 방향 선택성에 대해 연구한다. 피드포워드 전도성 특이성과 기능 특이성 연결이, 흥분성 및 억제성 뉴런 양쪽에서 실험적으로 관찰된 날카운 가팔라진 방향 선택성에 가장 잘 설명된다고 밝힌다. 이는 생체 내 데이터에서 발생하는 모순을 해결한다.

ABSTRACT

Primary visual cortex (V1) provides crucial insights into the selectivity and emergence of specific output features such as orientation tuning. Tuning and selectivity of cortical neurons in mouse visual cortex is not equivocally resolved so far. While many in-vivo experimental studies found inhibitory neurons of all subtypes to be broadly tuned for orientation other studies report inhibitory neurons that are as sharply tuned as excitatory neurons. These diverging findings about the selectivity of excitatory and inhibitory cortical neurons prompted us to ask the following questions: (1) How different or similar is the cortical computation with that in previously described species that relies on map? (2) What is the network mechanism underlying the sharpening of orientation selectivity in the mouse primary visual cortex? Here, we investigate the above questions in a computational framework with a recurrent network composed of Hodgkin-Huxley (HH) point neurons. Our cortical network with random connectivity alone could not account for all the experimental observations, which led us to hypothesize, (a) Orientation dependent connectivity (b) Feedforward afferent specificity to understand orientation selectivity of V1 neurons in mouse. Using population (orientation selectivity index) OSI as a measure of neuronal selectivity to stimulus orientation we test each hypothesis separately and in combination against experimental data. Based on our analysis of orientation selectivity (OS) data we find a good fit of network parameters in a model based on afferent specificity and connectivity that scales with feature similarity. We conclude that this particular model class best supports data sets of orientation selectivity of excitatory and inhibitory neurons in layer 2/3 of primary visual cortex of mouse.

연구 동기 및 목표

• 일부 연구에서는 억제성 뉴런이 넓은 편도를 보이지만 다른 연구에서는 날카운 편도를 보이는 쥐 V1에서의 방향 선택성에 대한 상반된 실험 결과를 해결하기 위해.
• 위치적 방향 지도가 없는 쥐 V1에서의皮질 계산이 고양이나 영장류와 같은 고등 영장류에서와는 다를 수 있는 메커니즘으로 작동하는지 조사하기 위해.
• 특히, 피드포워드 특이성과 기능 특이성 연결이 쥐의 2/3층 피질 뉴런에서의 방향 선택성에 기여하는 네트워크 메커니즘을 규명하기 위해.
• 랜덤 연결만으로도 실험 데이터를 설명할 수 있는지 여부를 테스트하기 위해.
• 실험적 방향 선택성 지수(orientation selectivity index, OSI) 분포에 가장 잘 맞는 생물학적으로 타당한 연결 규칙의 최소 집합을 규명하기 위해.

제안 방법

• AMPAR, NMDAR, GABAAR 수용체를 포함한 허드킨-하크리-리(HH) 점 뉴런의 반복 네트워크를 개발하여 쥐 V1의 미세 회로를 모델링한다.
• 네 가지 연결 모델을 구현: (1) 랜덤 횡방향 연결, (2) 방향 의존적 연결, (3) 피드포워드 전도성 특이성, (4) 전도성 특이성과 기능 특이성 연결의 조합.
• 2/3층에서 흥분성 및 억제성 뉴런의 소금-후추 조직을 구현하며, 겹치는 수용체 영역과 위치적 지도 없음을 반영한다.
• 생체 내 전체세포 전압 클램프 기록을 실험 기준으로 사용하여, 스파ike 출력, 세포막 전위, 흥분성/억제성 전도도에 대한 OSI 및 OI 값을 확보한다.
• Kolmogorov-Smirnov(K-S) 검정을 통해 시뮬레이션된 OSI 분포와 실험 데이터 간의 적합도를 평가하며, p > 0.05는 95% 유의수준에서 적합한 것으로 간주한다.
• 모델 분석은 대비 불변성, 전이 함수 성질(파워 법칙 근사), 내재적 노이즈가 임계값 이동에 미치는 영향에 집중한다.

실험 결과

연구 질문

• RQ1 피드포워드 전도성 특이성과 기능 특이성 연결이 쥐 V1에서 방향 선택성에 공동으로 미치는 영향은 무엇인가?
• RQ2 랜덤 연결만을 가진 네트워크가 흥분성 및 억제성 뉴런에서 실험적으로 관찰된 방향 선택성을 재현할 수 있는가?
• RQ3 전도성 특이성과 횡방향 연결 중 어느 것이 V1 뉴런의 편도 특성을 더 크게 형성하는가?
• RQ4 억제성 입력의 편도 폭과 공간 분포의 차이가 후속 뉴런의 방향 선택성에 미치는 영향은 무엇인가?
• RQ5 내재적 뉴런 성질과 전이 함수는 모델에서 대비 불변성 방향 선택성에 얼마나 기여하는가?

주요 결과

• 피드포워드 전도성 특이성과 기능 특이성 연결의 조합이 가장 우수한 실험 OSI 분포에 적합하였으며, K-S 검정 p-값이 0.05 이상이었다.
• 특히 기능 특이성 횡방향 연결과 결합된 전도성 특이성만으로도 흥분성 뉴런의 방향 선택성을 크게 높였고, 억제성 뉴런의 선택성은 감소시켜 실험 결과와 일치시켰다.
• 모델은 대비 불변성 방향 선택성을 성공적으로 재현하였으며, 허드킨-하크리-리 프레임워크 내 파워 법칙 유사 전이 함수가 이 강건성에 기여하였다.
• 조절된 입력 채널과 비조절된 입력 채널을 두 개 도입함으로써, 억제성 뉴런도 흥분성 뉴런과 유사한 방향 선택성을 달성할 수 있었으며, 최근 생체 내 연구 결과와 일치하였다.
• V1 뉴런의 총합 입력(흥분성 및 억제성 전류의 통합) 패턴은 위치적 지도가 없는 쥐 V1에서조차 고양이 V1의 핀휠 근처의 패턴과 유사하게 나타났다.
• 모델은 조절된 전도성 입력을 받는 억제성 interneuron이 비조절된 입력을 받는 뉴런보다 더 높은 반응 이득과 날카운 편도를 보일 것이라고 예측하며, 향후 실험에 대한 검증 가능한 가설을 제시한다.