[논문 리뷰] Network structure of cascading neural systems predicts stimulus propagation and recovery

Harang Ju, Jason Z. Kim외 1명|arXiv (Cornell University)|2018. 12. 21.

Neural dynamics and brain function참고 문헌 74인용 수 5

한 줄 요약

이 연구는 피질 신경 시스템의 네트워크 구조—특히 사이클과 그 내부의 강한 연결성—이 연쇄적인 신경 활동에서 자극 전파의 지속 시간과 회복 시간을 결정함을 보여준다. 선형 시스템 이론, 네트워크 제어 이론, 정보 이론을 실증적 및 시뮬레이션된 스파iking 데이터에 적용함으로써, 저자들은 이러한 구조적 모티프가 작업 기억과 주의력에 필수적인 장기적 활성화 패턴을 가능하게 한다고 밝힌다.

ABSTRACT

Many neural systems display cascading behavior characterized by uninterrupted sequences of neuronal firing. This gap precludes an understanding of how variations in network structure manifest in neural dynamics and either support or impinge upon information processing. Here, we develop a theoretical understanding of how network structure supports information processing through network dynamics, and we validate our theory with empirical data. Using a generalized spiking model and mathematical tools from linear systems theory, network control theory, and information theory, we show how network structure can be designed to temporally extend the propagation and recovery of certain stimulus patterns. Moreover, we observe cycles as structural and dynamic motifs that are prevalent in such networks. Broadly, our results demonstrate how cascading neural networks could contribute to cognitive faculties that require lasting activation of neuronal patterns, such as working memory or attention.

연구 동기 및 목표

• 피질 회로에서 신경망 구조, 동역학, 정보 처리 간 격차를 메우기 위해.
• 실증적 네트워크 모티프—특히 사이클과 강한 연결성—이 신경 연쇄의 지속 시간을 어떻게 제약하는지 이해하기 위해.
• 네트워크 위상과 인지 기능과 관련된 지속적 활성화 패턴을 연결하는 이론적 프레임워크를 개발하기 위해.
• 시뮬레이션된 스파이킹 신경망과 실증적 신경 데이터를 모두 사용하여 예측을 검증하기 위해.
• 상호정보량과 제어 가능성 메트릭을 통해 네트워크 구조가 시간에 따라 정보를 어떻게 유지하는지 정량화하기 위해.

제안 방법

• 시스템의 기억과 연쇄 지속 시간을 분석하기 위해 스파ike 전파를 마르코프 체인의 상태 전이로 모델링한다.
• 인접행렬 A와 유한 시간 단계(F=100) 동안의 인과응답을 사용하여 선형 시스템 이론을 적용해 연쇄 지속 시간 분포를 예측한다.
• 활성 노드 평균에 대해 평균화된 유한 제어 가능성(FAC)을 사용하여 초기 신경 활성화 상태가 연쇄 지속성에 미치는 영향을 정량화한다.
• 비대칭 네트워크 위상에 대해 고유값과 고유벡터 성분의 절대값을 취함으로써 모드 제어 가능성을 비대칭 행렬로 확장한다.
• 다양한 네트워크 아키텍처에서 정보 유지 정도를 평가하기 위해 초기 상태와 시스템 궤적 간의 상호정보량을 계산한다.
• 네 가지 생성적 그래프 모델과 실증 데이터를 통해 결과를 검증하며, 비임계 및 임계(avalanche) 상태를 포함한 다양한 제어 조건을 적용한다.

실험 결과

연구 질문

• RQ1 특히 사이클과 강한 연결성이 포함된 네트워크 위상은 신경 연쇄의 지속 시간에 어떻게 영향을 미치는가?
• RQ2 유한 평균 제어 가능성(FAC)은 연쇄 시스템에서 신경 활성화 패턴의 지속성 정도를 어느 정도 정확하게 예측할 수 있는가?
• RQ3 상호연결 및 커뮤니티 조직과 같은 구조적 모티프는 신경망에서 정보 유지에 어떻게 기여하는가?
• RQ4 초기 상태와 시스템 궤적 간의 상호정보량은 연쇄적 동역학에서 정보 복구 정도를 정량화하는 데 사용될 수 있는가?
• RQ5 네트워크 구조와 동역학은 어떻게 상호작용하여 작업 기억과 주의력과 관련된 장기적 활성화 패턴을 지원하는가?

주요 결과

• 사이클과 그 내부의 강한 연결성은 연쇄 지속 시간의 긴 尾部 분포를 생성하는 핵심적인 구조적 모티프로, 지속적인 신경 활동을 설명한다.
• 초기 활성화 상태의 유한 평균 제어 가능성(FAC)은 연쇄 지속 시간을 강력하게 예측하며, 높은 FAC 값일수록 더 오래 지속되는 연쇄를 나타낸다.
• 비대칭 행렬에 대해 확장된 모드 제어 가능성은 특히 사이클 서브넷에서 활성화가 장기적 시스템 반응을 유도하는 노드를 성공적으로 식별한다.
• 상호정보량 분석은 네트워크 구조가 정보 유지에 영향을 미친다는 것을 확인하며, 사이클과 강한 연결성이 풍부한 네트워크에서 더 높은 정보 유지가 이루어짐을 보여준다.
• 이론적 프레임워크는 시뮬레이션된 스파이킹 신경망과 실증적 스파이킹 신경망 모두에서 연쇄 동역학을 정확하게 예측한다. 특히 애벌레 현상(Avalanche)을 보이는 네트워크에서도 성립한다.
• 모델은 비임계 및 임계(스케일프리, 스타트월드) 네트워크를 포함한 다양한 네트워크 유형에서 뛰어난 내구성을 보이며, 광범위한 적용 가능성을 입증한다.