[论文解读] Automated point-neuron simplification of data-driven microcircuit models

Rössert, Christian, Christian Pozzorini+14 more|arXiv (Cornell University)|Apr 1, 2016

Neural dynamics and brain function参考文献 31被引用 29

一句话总结

本文提出了一种全自动、模块化的框架，无需人工干预即可将形态学细节丰富的微电路模型简化为点神经元表示。通过使用用户定义的“工作点”以及基于格林函数的方法校正树突滤波效应，该方法为单个神经元拟合广义积分-放电（GIF）模型，以高保真度保留网络动力学特性，且在多种仿真协议中得到验证。

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.

研究动机与目标

• 开发一种全自动、可重复且可定量验证的方法，将形态学细节丰富的数据驱动微电路模型转换为点神经元表示。
• 在简化过程中消除人工干预，同时保持与参考模型动力学的高度一致。
• 在参考模型中整合新实验数据时，支持简化模型的持续更新。
• 弥合生物物理细节丰富的模型与理论神经科学中使用的轻量级点神经元模拟之间的差距。
• 提供可基准化、模块化的流程，可扩展应用于其他点神经元和突触模型，而不仅限于当前实现。

提出的方法

• 该方法定义了一个用户指定的“工作点”，代表类似在体的网络活动，以指导简化过程。
• 突触被重新定位至胞体，其突触后电流通过基于格林函数方法推导出的低通滤波器进行校正，以补偿树突滤波效应。
• 兴奋性与抑制性输入的滤波参数分别针对每个神经元独立进行数值计算，以保留输入特异性动力学。
• 使用拟合工具箱，基于工作点附近三个去极化水平下的膜电位和突触电流数据，为每个形态学详细的神经元拟合广义积分-放电（GIF）点神经元模型。
• 简化工作流具有模块化特性，支持在参考模型演化过程中独立更新突触滤波与神经元模型拟合部分。
• 通过一系列仿真协议对简化网络与参考模型进行对比验证，以评估其定量与定性一致性。

实验结果

研究问题

• RQ1 是否能够实现完全自动化、模块化的流程，无需人工干预即可将形态学细节丰富的微电路模型简化为点神经元表示？
• RQ2 简化后的网络在多大程度上保留了关键网络动力学特性——如放电模式、相关性结构和响应特性——与参考模型相比？
• RQ3 简化过程在多大程度上影响了网络临界性？是否可以缓解或补偿这一影响？
• RQ4 尽管形态学细节减少，简化模型是否仍能保持单个神经元的放电特异性和独特性？
• RQ5 简化模型在多种网络协议下的性能表现如何？其在捕捉复杂时空相关性结构方面存在哪些局限？

主要发现

• 简化网络的临界性略低于参考模型，但在定量与定性基准测试中均表现出良好一致性。
• 通过与原始模型的定性与定量比较，表明单个神经元的放电特异性和独特性在很大程度上得以保留。
• 对刺激的响应敏感度略有降低，但整体刺激响应特性仍保持良好。
• 即使在补偿临界性降低后，简化模型在时空相关性结构上仍显著减弱。
• 该方法成功将数千个突触后过程减少至每个神经元3至36个，通过k均值聚类对突触延迟进行处理，仅导致适度的误差增加。
• 该框架支持参考模型演化过程中的持续模型更新，为实验数据与点神经元建模之间建立了动态桥梁。