[论文解读] Effective synaptic interactions in subsampled nonlinear networks with strong coupling

Braden A. W. Brinkman, Fred Rieke+2 more|arXiv (Cornell University)|Feb 2, 2017

Neural dynamics and brain function参考文献 57被引用 3

一句话总结

该论文构建了一个理论框架，用于量化未观测神经元如何重塑子采样神经网络中的有效突触相互作用，表明隐藏单元会引致路径依赖的校正。研究发现，具有1/√N缩放的强耦合——在实验网络中常见——会导致有效连接中显著且可解析处理的失真，从而实现从部分记录中准确推断真实突触动力学。

ABSTRACT

A major obstacle to understanding neural coding and computation is the fact that experimental recordings typically sample only a small fraction of the neurons in a circuit. Measured neural properties are skewed by interactions between recorded neurons and the “hidden” portion of the network. To properly interpret neural data, we thus need a better understanding of the relationships between measured effective neural properties and the true underlying physiological properties. Here, we focus on how the effective spatiotemporal dynamics of the synaptic interactions between neurons are reshaped by coupling to unobserved neurons. We find that the effective interactions from a pre-synaptic neuron r ′ to a post-synaptic neuron r can be decomposed into a sum of the true interaction from r ′ to r plus corrections from every directed path from r ′ to r through unobserved neurons. Importantly, the resulting formula reveals when the hidden units have—or do not have—major effects on reshaping the interactions among observed neurons. As a prominent example, we derive a formula for strong impact of hidden units in random networks with connection weights that scale with 1/√ N , where N is the network size—precisely the scaling observed in recent experiments.

研究动机与目标

• 理解神经回路中未观测神经元如何扭曲实验中测量的有效突触相互作用。
• 推导一个通用的解析公式，用于描述观测神经元之间的有效相互作用，同时考虑所有隐藏路径。
• 识别隐藏单元显著改变观测神经动力学的条件，尤其是在强耦合网络中。
• 解释在具有1/√N缩放连接权重的随机网络中，隐藏单元为何产生强烈影响，且与实验观察一致。

提出的方法

• 使用平均场方法，建模未观测神经元对非线性网络中有效突触相互作用的影响。
• 推导出有效相互作用的精确分解：即直接真实相互作用与所有通过隐藏神经元的有向路径的校正项之和。
• 将该形式化方法应用于连接权重独立同分布且按1/√N缩放的随机网络，以分析网络规模对有效动力学的影响。
• 采用路径积分和统计力学技术，计算来自隐藏路径的校正项，揭示其对网络拓扑结构和耦合强度的依赖性。
• 通过证明隐藏单元贡献在大网络中按√N缩放，验证了该框架，从而解释了实验中观察到的强有效耦合现象。

实验结果

研究问题

• RQ1 未观测神经元如何改变子采样网络中记录神经元之间的有效突触相互作用？
• RQ2 在何种条件下，隐藏单元会对观测神经动力学产生显著失真？
• RQ3 为何具有1/√N缩放权重的实验网络即使采样稀疏，也表现出强有效相互作用？
• RQ4 能否将观测神经元之间的有效相互作用精确分解为直接路径与间接（隐藏）路径的贡献？

主要发现

• 观测神经元之间的有效突触相互作用被精确分解为真实相互作用与所有通过未观测神经元的有向路径的校正项之和。
• 校正项的大小取决于隐藏路径的数量和强度，即使短路径也会产生显著贡献。
• 在具有1/√N缩放权重的随机网络中，隐藏单元诱导的有效相互作用按√N缩放，解释了实验中观察到的强耦合现象。
• 该框架揭示，即使未被直接记录，隐藏单元在大型强耦合网络中仍可能主导有效动力学。