[논문 리뷰] Conductance-based dendrites perform Bayes-optimal cue integration

Jakob Jordan, João Sacramento외 3명|arXiv (Cornell University)|2021. 04. 27.

Neural dynamics and brain function인용 수 1

한 줄 요약

이 논문은皮質 pyramidal 뉴런의 도전성 기반 수상세포가 국소 반전 전위와 도전성으로 사전 기대치(상부 수상세포)와 가능도(하부 수상세포)를 인코딩함으로써 베이즈 최적의 자극 통합을 구현한다고 제안한다. soma 막 전위는 자연스럽게 나눗셈 정규화를 통해 사후 분포를 계산하고, 기울기 기반 학습 규칙은 신뢰할 만한 입력 가중치의 학습을 가능하게 하며, 다감각 통합을 설명하고 수상세포 계산 및 시냅스 가소성에 대한 검증 가능한 예측을 생성한다.

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.

연구 동기 및 목표

• 생물학적으로 타당한 수상세포 기반 메커니즘을 사용하여 피질 뉴런이 불확실한 감각 자극을 어떻게 베이즈 최적으로 통합하는지 설명하는 것.
• 도전성 기반 시냅스 동역학이 나눗셈 정규화를 통해 자연스럽게 베이즈 추론을 실현함을 보여주는 것.
• 입력의 신뢰도에 따라 시냅스 가중치를 조정함으로써 목표 사후 분포를 학습할 수 있는 단일 뉴런 가소성 규칙을 개발하는 것.
• 단일 뉴런 계산과 시스템 수준의 베이즈 행동을 통합하여 다감각 통합 실험 결과를 설명하는 것.
• 수상세포 통합과 시냅스 가중치 적응에 대한 실험적으로 검증 가능한 예측을 생성하는 것.

제안 방법

• 상부 수상세포를 효과적 반전 전위와 도전성으로 soma 전위에 대한 사전 분포를 인코딩하는 모델로 설정한다.
• 하부 수상세포를 유사한 도전성 기반 매개변수를 통해 soma 전위의 가능도를 인코딩하는 모델로 설정한다.
• 도전성 기반 시냅스를 사용하는 누출형 적분-화염 동역학을 사용하여 나눗셈 정규화를 통해 사후를 계산한다.
• 목표 soma 활동과 분산에 기반하여 사후의 로그에 대한 확률적 기울기 상승 규칙을 유도하여 시냅스 가중치를 업데이트한다.
• 다감각 통합 작업을 시뮬레이션하기 위해 가소성 시냅스를 갖춘 이중 구역 신경망 모델을 사용한다.
• 다양한 자극 신뢰도와 훈련 프로토콜을 사용한 자극 통합 작업의 시뮬레이션을 통해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 도전성 기반 수상세포 구역이 국소 막 동역학을 통해 자연스럽게 베이즈 사후를 계산할 수 있는가?
• RQ2 상부 및 하부 수상세포가 생물학적으로 타당한 방식으로 사전과 가능도를 공동으로 인코딩할 수 있는가?
• RQ3 단일 뉴런 가소성 규칙이 입력의 신뢰도에 따라 가중치를 조정하여 목표 사후 분포를 일치시킬 수 있는가?
• RQ4 제안된 모델이 다감각 통합 실험에서의 행동 및 신경 데이터를 재현하는가?
• RQ5 이론이 수상세포 통합과 시냅스 가소성에 대해 실험적으로 검증 가능한 예측을 생성하는가?

주요 결과

• 도전성 기반 수상세포는 구역 막 전위의 나눗셈 정규화를 통해 사후 분포를 계산하여 베이즈 최적의 통합을 실현한다.
• 모델은 입력의 신뢰도에 따라 학습하여, 더 낮은 신뢰도의 입력은 전체적으로 더 적은 흥분성 및 억제성 도전성을 기여함을 성공적으로 보여준다.
• 시뮬레이션은 다감각 자극 통합 작업에서 정확한 분류를 보이며, 베이즈 최적 기준과 성능이 일치함을 입증한다.
• 훈련된 모델은 사전 기대치의 영향과 모ality 특이적 신뢰도를 포함한 자극 통합 실험 데이터를 설명할 수 있다.
• 이론은 시냅스 가소성이 목표 활동과 목표 분산에 기반하여 가중치를 조정함으로써 동적 신뢰도 기반 가중치 조정이 가능하다고 예측한다.
• 이 프레임워크는 피질 회로에서 단일 세포 동역학과 시스템 수준의 베이즈 행동을 통합적으로 설명한다.