[论文解读] Conductance-based dendrites perform Bayes-optimal cue integration

Jakob Jordan, João Sacramento+3 more|arXiv (Cornell University)|Apr 27, 2021

Neural dynamics and brain function被引用 1

一句话总结

该论文提出，皮层锥体神经元中的电导基底树突通过局部反转电位和电导编码先验期望（顶端树突）和似然性（基底树突），实现贝叶斯最优线索整合。胞体膜电位通过除法归一化自然计算后验分布，基于梯度的可塑性规则使神经元能够学习可靠输入权重，解释多感官整合现象，并生成关于树突计算和突触可塑性的可检验预测。

ABSTRACT

A fundamental function of cortical circuits is the integration of information from different sources to form a reliable basis for behavior. While animals behave as if they optimally integrate information according to Bayesian probability theory, the implementation of the required computations in the biological substrate remains unclear. We propose a novel, Bayesian view on the dynamics of conductance-based neurons and synapses which suggests that they are naturally equipped to optimally perform information integration. In our approach apical dendrites represent prior expectations over somatic potentials, while basal dendrites represent likelihoods of somatic potentials. These are parametrized by local quantities, the effective reversal potentials and membrane conductances. We formally demonstrate that under these assumptions the somatic compartment naturally computes the corresponding posterior. We derive a gradient-based plasticity rule, allowing neurons to learn desired target distributions and weight synaptic inputs by their relative reliabilities. Our theory explains various experimental findings on the system and single-cell level related to multi-sensory integration, which we illustrate with simulations. Furthermore, we make experimentally testable predictions on Bayesian dendritic integration and synaptic plasticity.

研究动机与目标

• 解释皮层神经元如何利用生物上合理的树突机制实现不确定感官线索的贝叶斯最优整合。
• 证明电导基底突触动力学通过除法归一化自然实现贝叶斯推理。
• 开发一种可塑性规则，使神经元能够通过根据输入可靠性调整突触权重来学习目标后验分布。
• 统一单神经元计算与系统级贝叶斯行为，解释多感官整合中的实验发现。
• 生成关于树突整合和突触权重适应的实验可检验预测。

提出的方法

• 将顶端树突建模为通过有效反转电位和电导编码胞体电位的先验分布。
• 将基底树突建模为通过类似电导参数编码胞体电位的似然性。
• 使用电导基底突触的漏电积分-发放动力学，通过除法归一化计算后验分布。
• 推导对数后验的随机梯度上升规则，以根据目标胞体活动和方差更新突触权重。
• 采用具有可塑性突触的双 compartment 神经元模型，模拟多感官整合任务。
• 通过不同线索可靠性与训练方案的线索整合任务模拟验证模型。

实验结果

研究问题

• RQ1 电导基底树突区域能否通过局部膜电活动自然计算贝叶斯后验？
• RQ2 顶端和基底树突如何以生物上合理的方式协同实现先验和似然性编码？
• RQ3 单神经元可塑性规则能否学习根据输入可靠性加权，以匹配目标后验分布？
• RQ4 所提出的模型能否再现多感官整合实验中的行为和神经数据？
• RQ5 该理论是否生成关于树突整合和突触可塑性的实验可检验预测？

主要发现

• 电导基底树突通过区室膜电位的除法归一化计算后验分布，实现贝叶斯最优整合。
• 模型成功学习根据输入可靠性加权，可靠性较低的输入贡献的兴奋性和抑制性电导总量更少。
• 模拟结果表明在多感官线索整合任务中分类准确，性能匹配贝叶斯最优基准。
• 训练后的模型解释了实验数据中先验期望和模态特异性可靠性的影响力。
• 该理论预测突触可塑性根据目标活动和目标方差调整权重，实现动态可靠性加权。
• 该框架为皮层回路中单细胞动力学与系统级贝叶斯行为提供了统一解释。