[논문 리뷰] Two-compartment neuronal spiking model expressing brain-state specific apical-amplification, -isolation and -drive regimes

Elena Pastorelli, Alper Yegenoglu외 6명|arXiv (Cornell University)|2023. 11. 10.

Neural dynamics and brain function인용 수 4

한 줄 요약

이 논문은 고성능 계산 환경에서 기계학습 기반의 진화 알고리즘을 활용해 최적화된 조각선형 전이 함수(ThetaPlanes)를 사용하여 각성 상태에서의 증폭, 깊은 NREM 수면 중의 고립, REM 수면 중의 자극을 구현하는 생물학적으로 타당한 이구획 스파iking 뉴런 모델을 제안한다. 이 모델은 뇌 상태에 따라 달라지는 학습을 대규모로 시뮬레이션할 수 있으며, NEST, Neuron, Brian와 같은 주요 시뮬레이션 플랫폼과 원천적으로 호환된다.

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.

연구 동기 및 목표

• 뇌 상태에 따라 달라지는 아풀라르 동역학(증폭, 고립, 자극)을 반영하는 계산적으로 효율적인 이구획 스파킹 뉴런 모델을 개발하는 것.
• 단일 구획 모델과 생물학적 현실성 사이의 격차를 메우기 위해 상태에 따라 달라지는 학습과 기억 통합에 핵심적인 아풀라르 수상세포 기능을 통합하는 것.
• NEST, Neuron, Brian와 같은 표준 시뮬레이션 프레임워크에 모델을 통합하여 뇌 상태에 따라 달라지는 신경 동역학의 대규모 시뮬레이션을 가능하게 하는 것.
• 학습-학습(L2L) 프레임워크를 통한 진화 최적화가 다양한 뇌 상태에서 원하는 신경 동역학을 지지하는 매개변수 조합을 효율적으로 식별할 수 있음을 보여주는 것.

제안 방법

• 모델는 각각 별도의 통합-화염 동역학과 전압 의존성 이온 채널을 갖는 소마와 아풀라르 수상세포로 구성된 이구획 구조를 사용한다.
• 아풀라르 수상세포 Ca2+ 스파이크와 버스트 발화의 비선형 입력-출력 전이 특성을 반영하기 위해 조각선형 전이 함수인 ThetaPlanes를 도입한다.
• 적합도 함수 세트에 의해 구동되는 진화 알고리즘이 뇌 상태에 특화된 행동을 재현할 수 있는 뉴런 구성 요건을 탐색한다.
• 복잡한 매개변수 의존성 탐색을 효율적으로 수행하기 위해 고성능 계산(HPC) 환경에서 학습-학습(L2L) 프레임워크를 활용해 최적화를 수행한다.
• 모델는 NEST 시뮬레이션 환경에 구현되어 있어 대규모 네트워크 시뮬레이션과 추가 구획(예: NMDA 스파이크 지원)으로의 확장성 보장.
• 적합도 함수는 상태에 따라 특화된 동역학을 강제한다: 각성 상태에서의 고주파 버스트(아풀라르 증폭), 깊은 수면 중의 저아풀라르 활동(고립), REM 유사 상태에서의 지속적 아풀라르 자극.

실험 결과

연구 질문

• RQ1 이구획 스파킹 뉴런 모델이 각성, 깊은 NREM 수면, REM 수면에 해당하는 세 가지 다른 아풀라르 동역학(증폭, 고립, 자극)을 재현할 수 있는가?
• RQ2 기계학습 기반의 진화 알고리즘이 다양한 뇌 상태에서 생물학적으로 타당한 매개변수 조합을 효율적으로 식별할 수 있는가?
• RQ3 조각선형 전이 함수(ThetaPlanes)가 계산 효율성을 희생시키지 않고 아풀라르 수상세포 스파이크의 비선형 동역학을 얼마나 정확히 반영할 수 있는가?
• RQ4 이구획 모델에 아풀라르 기능을 통합하면 단일 구획 모델 대비 상태에 따라 달라지는 작업에서 학습과 네트워크 동역학이 얼마나 향상되는가?
• RQ5 이 모델가 NEST, Neuron, Brian와 같은 기존의 대규모 신경 시뮬레이션 플랫폼에 원천적으로 통합되어 전뇌 모델링에 활용될 수 있는가?

주요 결과

• L2L 프레임워크는 뇌 상태에 따라 다른 세 가지 아풀라르 동역학(증폭, 고립, 자극)을 재현하는 데 성공적으로 매개변수 조합을 식별하여 복잡한 신경 모델에 대한 진화 최적화의 가능성을 입증했다.
• ThetaPlanes 전이 함수를 갖는 최종 이구획 모델은 소마의 동작 전위와 수상세포 Ca2+ 스파이크 간의 상호작용을 정확히 반영하여 상태에 따라 특화된 버스트 발화와 조절 기능을 가능하게 했다.
• 모델는 기존의 적응형 지수 통합-화염(AdEx) 프레임워크와 호환되어 대규모 시뮬레이션 및 평균장 모델과의 일관성을 유지한다.
• 모델는 NEST에 원천적으로 통합 가능하여 대규모 네트워크 시뮬레이션에 직접 통합되고 향후 NMDA 스파이크를 지원하는 추가 구획으로의 확장도 가능하다.
• HPC와 L2L의 조합을 통해 고차원 매개변수 공간의 효율적이고 병렬화된 탐색이 가능해져 최소한의 수동 조정으로 최적의 구성이 도출되었다.
• 결과적으로 진화가 단순한 이구획 기하학 구조를 통해 아풀라르 기능의 인지적 이점을 쉽게 발견했을 가능성이 있으며, 이는皮질 Pyramidal 뉴런의 점진적인 형태학적 복잡성 가설을 지지한다.