[论文解读] Cortical Circuits from Scratch: A Metaplastic Architecture for the Emergence of Lognormal Firing Rates and Realistic Topology

Zach Tosi, John M. Beggs|arXiv (Cornell University)|Jun 1, 2017

Neural dynamics and brain function参考文献 68被引用 4

一句话总结

该论文提出了MANA（元塑性人工神经网络架构），一种自组织脉冲神经网络模型，能够从零初始状态（无手工调参）自主生成真实的皮层回路特征，如对数正态发放率、非随机的突触拓扑结构以及功能分化的神经元。通过整合五种已知的可塑性机制与一种新型元塑性规则（动态调节稳态设定点），MANA仅依靠内在机制即可实现稳定且生物合理的网络发育。

ABSTRACT

Our current understanding of neuroplasticity paints a picture of a complex interconnected system of dependent processes which shape cortical structure so as to produce an efficient information processing system. Indeed, the cooperation of these processes is associated with robust, stable, adaptable networks with characteristic features of activity and synaptic topology. However, combining the actions of these mechanisms in models has proven exceptionally difficult and to date no model has been able to do so without significant hand-tuning. Until such a model exists that can successfully combine these mechanisms to form a stable circuit with realistic features, our ability to study neuroplasticity in the context of (more realistic) dynamic networks and potentially reap whatever rewards these features and mechanisms imbue biological networks with is hindered. We introduce a model which combines five known plasticity mechanisms that act on the network as well as a unique metaplastic mechanism which acts on other plasticity mechanisms, to produce a neural circuit model which is both stable and capable of broadly reproducing many characteristic features of cortical networks. The MANA (metaplastic artificial neural architecture) represents the first model of its kind in that it is able to self-organize realistic, nonrandom features of cortical networks, from a null initial state (no synaptic connectivity or neuronal differentiation). In the same vein as models like the SORN (self-organizing recurrent network) MANA represents further progress toward the reverse engineering of the brain at the network level.

研究动机与目标

• 开发一种自组织神经网络模型，无需预先指定或手工调参即可重现皮层回路的关键非随机特征。
• 解决长期存在的挑战：将多种可塑性机制整合为一个稳定且一致的模型，以生成真实的网络拓扑和活动模式。
• 提出一种新型元塑性机制，调控稳态设定点的演化，实现基于活动的神经元功能分化。
• 为系统层面的皮层网络组织逆向工程提供现象学框架。
• 构建一个稳定、机制驱动的模型，可作为测试神经发育与可塑性假设的平台。

提出的方法

• 模型从无突触连接和均匀的目标发放率（TFR）初始化，使所有网络特征均源自可塑性机制。
• 采用五种已知的可塑性机制：赫布可塑性、稳态可塑性、结构可塑性、抑制性可塑性以及元塑性可塑性，各自调控突触与神经元发育的不同方面。
• 提出一种新型元塑性机制，根据神经元的历史活动动态调整其目标发放率（TFR）设定点，实现对数正态TFR分布的自组织生成。
• 元塑性规则作用于其他可塑性机制，而非直接修改突触，作为网络稳态的高阶调节器。
• 广泛实现抑制性可塑性，包括对抑制的抑制，以稳定网络动力学并支持真实的连接性。
• 模型采用脉冲神经网络框架，具备生物合理的动力学特性，通过模拟真实的突触前与突触后活动模式来驱动可塑性。

实验结果

研究问题

• RQ1 自组织神经网络模型是否能在不预先指定目标发放率的情况下重现对数正态发放率分布？
• RQ2 在已知可塑性机制的基础上，通过引入一种新型元塑性规则，是否能生成真实的非随机突触拓扑结构和功能神经元分化？
• RQ3 一种调控稳态设定点的元塑性机制是否能实现从零初始状态出发的稳定、自洽的网络发育？
• RQ4 仅基于内在可塑性机制的模型在多大程度上能复现真实皮层回路的复杂非随机特征？
• RQ5 多种可塑性机制（包括对抑制的抑制）之间的相互作用如何促进功能性网络结构的涌现？

主要发现

• MANA通过一种基于神经元活动历史动态调节设定点的元塑性机制，成功生成了对数正态分布的目标发放率，且无需对TFR进行任何初始指定。
• 该模型自组织形成了具有过度代表的簇状结构和三联体基序的非随机突触拓扑，与已知的皮层网络特征一致。
• 高度活跃的神经元发展出独特属性，包括更高的入度和减少的抑制，与生物观察结果相符。
• 通过五种可塑性机制与元塑性规则的协同作用，网络实现了稳定动力学，且无需对手动调参关键参数。
• 神经元根据其活动和连接性实现功能分化，形成与反馈连接和输入驱动信号的独特关系。
• 该模型表现出通用适应性，表明其可根据不同输入流发展出不同的电路特征，类似于体内皮层可塑性。