[论文解读] Network Topology influences Synchronization and Intrinsic Read-out

Gabriele Scheler|arXiv (Cornell University)|Jul 25, 2005

Neural dynamics and brain function参考文献 5被引用 4

一句话总结

本研究探讨了网络拓扑结构——特别是小世界（SW）网络与随机图——如何影响二维神经振子模型中的同步性以及内在神经元特性的读出。研究发现，SW网络由于输入高度相关，能以最小的内在特性差异实现全局同步；而随机网络则保持了内在频率特异性，使得通过分布式输入有效读出内在特性成为可能。

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.

研究动机与目标

• 理解突触输入统计特性如何影响神经网络中内在神经元特性的读出。
• 研究网络拓扑在塑造同步模式及神经元间输入相关性方面的角色。
• 检验突触前调制是否能快速改变网络拓扑，从而在内在控制与突触控制之间调节网络活动的平衡。
• 比较小世界网络与随机图拓扑在功能后果上的差异，包括网络动力学与信息处理。

提出的方法

• 采用可调节的二维神经振子模型，其类似于Morris-Lecar模型，用于表征具有频率特异性特性的内在神经元动力学。
• 通过两种不同的拓扑结构构建网络：小世界（SW）网络与随机图，且控制连接密度。
• 通过分析每种网络结构下神经元间输入的时间同步性，量化突触输入的相关性。
• 模拟内在特性差异（如放电频率）在输入相关性与网络结构影响下是否被掩盖或得以保留。
• 将突触前调制建模为网络连接性的动态变化，模拟网络拓扑的快速重构。
• 通过比较不同拓扑结构下的输出行为，评估内在驱动与突触驱动网络活动之间的平衡。

实验结果

研究问题

• RQ1 网络拓扑结构（小世界与随机）如何影响神经元网络中突触输入的同步性？
• RQ2 小世界网络中高度同步的输入在多大程度上掩盖了内在神经元特性的差异？
• RQ3 随机图中的分布式输入是否能够保持并实现对内在频率特异性特性的有效读出？
• RQ4 突触前调制如何影响网络拓扑，以及由此带来的内在控制与突触控制之间活动平衡的变化？

主要发现

• 小世界网络由于突触输入高度相关，产生更高的全局同步水平，从而最小化了具有不同内在特性的神经元之间的可观测差异。
• 相比之下，随机图产生更分散的输入，使得内在频率特异性特性能够在网络输出中被有效读出。
• 模拟结果支持了小世界网络在比随机图更低的连接密度下实现全局同步的假设。
• 网络拓扑起到了开关作用：小世界拓扑通过增强输入相关性，抑制了内在特性差异；而随机拓扑则保留了这些差异。
• 结果表明，突触前调制是一种有效机制，可快速改变网络拓扑，从而将网络活动的控制从内在动力学转向突触动力学。
• 内在驱动与突触驱动网络活动之间的平衡，从根本上取决于由网络拓扑所决定的突触输入统计结构。