[논문 리뷰] Network Topology influences Synchronization and Intrinsic Read-out

Gabriele Scheler|arXiv (Cornell University)|2005. 07. 25.

Neural dynamics and brain function참고 문헌 5인용 수 4

한 줄 요약

이 연구는 두 차원 신경 온도 모델에서 네트워크 구조—특히 소월드(SW) 구조와 무작위 그래프—가 동기화 및 내재된 신경 속성의 읽기 가능성을 어떻게 영향을 주는지 조사한다. 연구 결과, 소월드 네트워크는 높은 상관성을 띤 입력으로 인해 내재된 속성의 차이가 최소화된 상태에서 전역적 동기화를 촉진하는 반면, 무작위 네트워크는 분산된 입력을 통해 내재된 속성의 특이성을 유지하여 효과적인 읽기 가능성을 보장한다.

ABSTRACT

In this note, we want to show (a) how the statistics of synaptic input influences the read-out of stored intrinsic properties for two-dimensional model neurons and (b) the effects of network topology on synchronization, i.e. the correlations of synaptic input generated in the network. This theoretical work relates to the biological properties of neuromodulation by presynaptic and postsynaptic effects on connectivity and intrinsic properties. We have previously found that highly synchronous inputs drives neurons, such that small differences in intrinsic properties disappear, while distributed inputs lets intrinsic properties determine output behavior. We choose a parametrizable two-dimensional neural oscillator model (similar to a Morris-Lecar model), to investigate the effects of changed network topology for larger collections of neurons. We focus on intrinsic properties that encode frequency-specificity. We suggest that presynaptic modulation can be an effective way of rapidly altering network topology. We investigate changes in network topology along the dimensions of small-world connectivity vs. random graph connectivity. We hypothesize that SW graphs produce more globally synchronized feedforward behavior with lower link density than comparable random graphs. In accordance with the hypothesis, we find that in a SW graph, because of highly synchronous inputs, the difference between neuronal intrinsic properties is minimized, while a random graph allows read out of neuronal intrinsic properties. Thus, altering network topology can alter the balance between intrinsically vs. synaptically driven determined network activity.

연구 동기 및 목표

• 신경망에서 시냅스 입력 통계가 내재된 신경 속성의 읽기 가능성에 어떻게 영향을 주는지 이해하기 위해.
• 네트워크 구조가 신경 세포 간 동기화 패턴과 입력 상관관계를 어떻게 형성하는지 조사하기 위해.
• 전결합 조절이 빠르게 네트워크 구조를 재구성함으로써 내재적 제어와 시냅스적 제어 간 균형을 어떻게 이동시킬 수 있는지 조사하기 위해.
• 소월드 구조와 무작위 그래프 구조의 功能적 결과를 비교하여 네트워크 역학과 정보 처리에 미치는 영향을 분석하기 위해.

제안 방법

• 내재된 신경 동역학과 주파수 특이성 속성을 갖는 모델로, 모리스-레카르 모델과 유사한 조절 가능한 이차원 신경 온도 모델을 사용한다.
• 소월드(SW)와 무작위 그래프를 포함한 두 가지 다른 네트워크 구조를 사용하여 링크 밀도를 제어하여 네트워크를 구성한다.
• 각 네트워크 아키텍처 하에서 뉴런 간 입력의 시간적 동기화를 분석함으로써 시냅스 입력 상관관계를 정량화한다.
• 모델은 입력 상관관계와 네트워크 구조에 따라 내재된 속성의 차이(예: 발화 주파수)가 어떻게 가림되거나 유지되는지 시뮬레이션한다.
• 전결합 조절 효과는 네트워크 연결성의 동적 변화로 모델링되어 네트워크 구조의 빠른 재구성을 시뮬레이션한다.
• 각 구조 간 출력 행동을 비교함으로써 내재적 주도와 시냅스적 주도의 네트워크 활동 균형을 평가한다.

실험 결과

연구 질문

• RQ1 소월드 대비 무작위 네트워크 구조가 뉴런 네트워크에서 시냅스 입력의 동기화에 어떻게 영향을 미치는가?
• RQ2 소월드 네트워크에서 높은 수준의 동기화된 입력이 내재된 신경 속성의 차이를 어느 정도 가리키는가?
• RQ3 무작위 그래프에서 분산된 입력은 내재된 주파수 특이성 속성을 유지하고 읽기 가능하게 만들 수 있는가?
• RQ4 전결합 조절은 네트워크 구조와 그 결과로 나타나는 내재적 제어와 시냅스적 제어 간 균형에 어떻게 영향을 미치는가?

주요 결과

• 소월드 네트워크는 높은 상관성을 띤 시냅스 입력으로 인해 더 높은 수준의 전역적 동기화를 유도하며, 이로 인해 내재된 속성의 차이가 눈에 띄게 감소한다.
• 반면, 무작위 그래프에서는 더 분산된 입력이 발생하여 내재된 주파수 특이성 속성이 네트워크 출력에서 효과적으로 읽히게 된다.
• 소월드 네트워크가 무작위 그래프보다 낮은 링크 밀도로도 전역적 동기화를 달성할 수 있다는 가설은 시뮬레이션 결과에 의해 지지된다.
• 네트워크 구조는 스위치 역할을 한다: 소월드 구조는 입력 상관관계를 증가시켜 내재된 속성의 차이를 억제하는 반면, 무작위 구조는 이를 유지한다.
• 전결합 조절은 네트워크 구조를 신속하게 변경함으로써 내재적 제어에서 시냅스적 제어로의 활동 제어 균형을 이동시키는 효과적인 메커니즘으로 밝혀졌다.
• 내재적 주도와 시냅스적 주도의 네트워크 활동 균형은 본질적으로 시냅스 입력의 통계적 구조에 의해 결정되며, 이는 네트워크 구조에 의해 규정된다.