[논문 리뷰] Combinatorics of Place Cell Coactivity and Hippocampal Maps

Andrey Babichev, Daoyun Ji외 2명|arXiv (Cornell University)|2015. 09. 05.

Memory and Neural Mechanisms참고 문헌 45인용 수 6

한 줄 요약

이 논문은 공액 빈도와 이웃 구조에 기반한 간단한 규칙을 사용하여 기하급수적인 공액 패턴 조합의 광범위한 조합 공간에서 생물학적으로 타당한 장소 세포 어셈블리 집합을 선택하는 현상학적 모델을 제안한다. 결과적으로 유의미한 세포 어셈블리 복합체는 생물학적으로 타당한 시간 내에 환경의 위상수학적 성질을 정확히 인코딩하며, 효과적인 공간 표현을 위해 전체 가능한 공액 조합의 소수의 핵심 부분집합만 필요하다는 것을 보여준다.

ABSTRACT

It is widely accepted that the hippocampal place cells' spiking activity produces a cognitive map of space. However, many details of this representation's physiological mechanism remain unknown. For example, it is believed that the place cells exhibiting frequent coactivity form functionally interconnected groups---place cell assemblies---that drive readout neurons in the downstream networks. However, the sheer number of coactive combinations is extremely large, which implies that only a small fraction of them actually gives rise to cell assemblies. The physiological processes responsible for selecting the winning combinations are highly complex and are usually modeled via detailed synaptic and structural plasticity mechanisms. Here we propose an alternative approach that allows modeling the cell assembly network directly, based on a small number of phenomenological selection rules. We then demonstrate that the selected population of place cell assemblies correctly encodes the topology of the environment in biologically plausible time, and may serve as a schematic model of the hippocampal network.

연구 동기 및 목표

• 장소 세포의 공액 조합 가능성 수가 천문학적인 수준임에도 불구하고, 그 중 극히 소수의 조합만 해마에서 생리적으로 실현 가능한 방식으로 작동할 수 있는지에 대한 과제를 해결하기 위해.
• 환경의 전체 위상적 구조를 여전히 인코딩할 수 있는 최소한의 기능적 관련 부분집합인 공액 장소 세포 군집(세포 어셈블리)을 식별하기 위해.
• 세부 시냅스 가소성 메커니즘 대신 현상학적 선택 규칙에 기반한 해마 네트워크의 개략적 모델을 개발하기 위해.
• 선택된 세포 어셈블리 네트워크가 전체 공액 복합체와 동일한 속도와 신뢰성으로 환경의 위상수학적 성질을 포착할 수 있음을 보여주기 위해.

제안 방법

• 스파이크 트레인 데이터에서 단체소멸 복합체 $\mathcal{T}$ 를 구성하여, 각 싱글렉스가 공액 장소 세포 집단을 나타내도록 한다.
• 두 가지 선택 규칙 적용: (1) 공액 빈도에 기반한 임계값 기반 선택, (2) 가장 가까운 공액 이웃 수를 이용한 이웃 기반 선택.
• 지속적 호모로지 기법을 사용하여 선택된 세포 어셈블리 복합체 $\mathcal{T}_0$ 의 위상 정확도를 평가한다.
• 최소 공액 임계값 $n_0$ 과 이웃 크기 $n_0$ 와 같은 매개변수를 통해 네트워크 아키텍처를 제어하여 위상 정확성을 확보한다.
• 선택된 복합체 $\mathcal{T}_0$ 와 전체 복합체 $\mathcal{T}$ 의 학습 시간 $T_{\min}$ 을 비교하여 모델의 효율성을 검증한다.
• 세포 어셈블리 복합체의 공간 일관성을 수량화하기 위해 연속성 지수 $\xi$ 를 사용하며, $\xi \approx 0.7$ 은 강한 공간 일관성을 나타낸다.

실험 결과

연구 질문

• RQ1 생물학적으로 타당한 소수의 장소 세포 공액 조합 부분집합이 환경의 전체 위상적 구조를 인코딩할 수 있는가?
• RQ2 가능한 공액 패턴의 조합 폭발을 효율적으로 줄이면서도 위상 정보를 유지할 수 있는 현상학적 선택 규칙는 무엇인가?
• RQ3 임계값 기반과 이웃 기반의 서로 다른 선택 전략이 선택된 세포 어셈블리 네트워크의 위상 정확도와 학습 속도에 어떤 영향을 미치는가?
• RQ4 선택된 세포 어셈블리 복합체가 현실적인 시간대내에서 전체 공액 복합체와 비슷한 위상 정확도를 달성할 수 있는가?
• RQ5 환경의 위상적 구조를 정확히 표현하기 위해 필요한 최소한의 네트워크 매개변수(예: $n_0$)는 무엇인가?

주요 결과

• 이웃 기반 선택 방법을 사용할 경우 $n_0 \geq 7$ 일 때, 환경의 위상적 성질을 정확히 인코딩하는 세포 어셈블리 복합체 $\mathcal{T}_0(n_0)$ 를 생성할 수 있으며, 경로 연결성과 베티 수를 포함한다.
• $n_0 \geq 7$ 일 경우, 복합체 $\mathcal{T}_0(n_0)$ 는 안정적인 1차원 고리와 임의의 가짜 구멍이 없는 정확한 위상 서명을 확보하여 정확한 공간 표현을 나타낸다.
• 선택된 복합체 $\mathcal{T}_0$ 의 학습 시간 $T_{\min}$ 이 전체 공액 복합체 $\mathcal{T}$ 와 유사하게 유지되어 효율적인 위상 인코딩을 확인한다.
• 선택된 복합체의 연속성 지수 $\xi$ 는 0.67에서 0.71 사이로 유지되며, 강한 공간 일관성과 생물학적 타당성을 나타낸다.
• $\mathcal{T}_0(n_0)$ 의 싱글렉스 수는 장소 세포의 수와 유사하게 유지되어, 컴act하고 효율적인 네트워크 아키텍처임을 시사한다.
• $n_0$ 가 증가함에 따라 $\mathcal{T}_0(n_0)$ 의 경로 연결성이 향상되며, $n_0 > 2$ 일 경우 복합체는 연결되어 있어 강력한 공간 탐색 표현이 가능해진다.