[논문 리뷰] Automated point-neuron simplification of data-driven microcircuit models

Rössert, Christian, Christian Pozzorini외 14명|arXiv (Cornell University)|2016. 04. 01.

Neural dynamics and brain function참고 문헌 31인용 수 29

한 줄 요약

이 논문은 인간의 간섭 없이 형태학적으로 세밀한 미세회로 모델을 점-뉴런 표현으로 자동으로 단순화하는 모듈러 프레임워크를 제시한다. 사용자가 정의한 '작동점'과 델타 함수 기반 방법을 통해 수상성 필터링을 보정함으로써, 일반화된 적분-화염(적분-화염) 모델을 개별 뉴런에 적합시키는 접근법을 사용한다. 이는 다양한 시뮬레이션 프로토콜을 통해 검증되었을 때 네트워크 다이내믹스를 높은 정밀도로 유지한다.

ABSTRACT

A method is presented for the reduction of morphologically detailed microcircuit models to a point-neuron representation without human intervention. The simplification occurs in a modular workflow, in the neighborhood of a user specified network activity state for the reference model, the "operating point". First, synapses are moved to the soma, correcting for dendritic filtering by low-pass filtering the delivered synaptic current. Filter parameters are computed numerically and independently for inhibitory and excitatory input using a Green's function approach. Next, point-neuron models for each neuron in the microcircuit are fit to their respective morphologically detailed counterparts. Here, generalized integrate-and-fire point neuron models are used, leveraging a recently published fitting toolbox. The fits are constrained by currents and voltages computed in the morphologically detailed partner neurons with soma corrected synapses at three depolarizations about the user specified operating point. The result is a simplified circuit which is well constrained by the reference circuit, and can be continuously updated as the latter iteratively integrates new data. The modularity of the approach makes it applicable also for other point-neuron and synapse models. The approach is demonstrated on a recently reported reconstruction of a neocortical microcircuit around an in vivo-like working point. The resulting simplified network model is benchmarked to the reference morphologically detailed microcircuit model for a range of simulated network protocols. The simplified network is found to be slightly more sub-critical than the reference, with otherwise good agreement for both quantitative and qualitative validations.

연구 동기 및 목표

• 형태학적으로 세밀하고 데이터 기반인 미세회로 모델을 점-뉴런 표현으로 변환하기 위한 자동화되고 반복 가능하며 정량적으로 검증 가능한 방법을 개발하기 위해.
• 단순화 과정에서 인간의 간섭을 제거하면서 기준 모델의 다이내믹스 유지하기 위해.
• 기준 모델에 새로운 실험 데이터가 통합될 때마다 단순화 모델을 지속적으로 업데이트할 수 있도록 하기 위해.
• 생물물리적으로 세밀한 모델과 이론 신경과학에서 사용하는 경량 점-뉴런 시뮬레이션 간 격차를 메우기 위해.
• 현재 구현을 넘어서 다른 점-뉴런 및 시냅스 모델에 적용 가능한 검증 가능하고 모듈러한 파이프라인을 제공하기 위해.

제안 방법

• 방법은 사용자가 정의한 '작동점'을 정의하여 살아있는 상태에 유사한 네트워크 활동을 나타내어 단순화 과정을 이끌도록 한다.
• 시냅스는 soma로 이동시키고, 수상성 필터링을 고려하기 위해 그린 함수 접근법을 통해 유도된 저역통과 필터를 사용해 후시냅스 전류를 보정한다.
• 흥분성 및 억제성 입력에 대한 필터 파rameter는 각 뉴런별로 독립적으로 수치적으로 계산되며, 입력 유형에 따라 다이내믹스를 유지한다.
• 일반화된 적분-화염(GIF) 점-뉴런 모델은 기준 모델의 막 전위 및 시냅스 전류 데이터를 3개의 탈분극 수준(작동점 주변)에서 제약 조건으로 사용해, 형태학적으로 세밀한 각 뉴런에 적합된다.
• 단순화 워크플로우는 모듈러하여, 기준 모델이 진화함에 따라 시냅스 필터링 및 뉴런 모델 적합 부분을 별도로 업데이트할 수 있다.
• 기준 모델과의 비교를 위해 다양한 시뮬레이션 프로토콜을 사용하여 단순화된 네트워크를 검증함으로써 정량적 및 정성적 일치도를 평가한다.

실험 결과

연구 질문

• RQ1 형태학적으로 세밀한 미세회로 모델을 인간 간섭 없이 완전히 자동화되고 모듈러한 파이프라인으로 점-뉴런 표현으로 단순화할 수 있는가?
• RQ2 단순화된 네트워크는 기준 모델과 비교해 주요 네트워크 다이내믹스—예를 들어 스파iking 패턴, 상관 구조, 반응 특성—을 얼마나 잘 유지하는가?
• RQ3 단순화 과정이 네트워크의 임계성에 어느 정도 영향을 미치며, 이를 보완하거나 보완할 수 있는가?
• RQ4 형태학적 세부 정보가 감소함에도 불구하고 단일 뉴런의 스파이킹 정체성과 고유성은 유지되는가?
• RQ5 다양한 네트워크 프로토콜에서 단순화 모델의 성능는 어떻게 평가되며, 복잡한 시간적 및 공간적 상관 구조를 포괄하는 데에는 어떤 한계가 있는가?

주요 결과

• 단순화된 네트워크는 기준 모델보다 略적으로 임계성 이하이지만, 정량적 및 정성적 기준에서 양호한 일치를 보였다.
• 원래 모델과의 정성적 및 정량적 비교를 통해 개별 뉴런의 스파이킹 정체성과 고유성이 대부분 유지됨을 확인했다.
• 자극에 대한 민감도는 略적으로 감소했지만, 전반적으로 자극 반응 특성은 잘 유지되었다.
• 공간적·시간적 상관 구조는 단순화 모델에서 크게 감소했으며, 임계성 감소를 보정한 후에도 여전히 감소했다.
• k-평균 군집화를 통해 시냅스 지연 시간을 기반으로 수천 개의 후시냅스 과정을 각 뉴런당 3~36개로 줄였고, 오차 증가 폭은 중간 수준이었다.
• 기준 모델의 진화에 따라 지속적으로 모델 업데이트가 가능한 프레임워크를 제공하여, 실험 데이터와 점-뉴런 모델링 간의 동적 다리를 구축한다.