[论文解读] Network structure of cascading neural systems predicts stimulus propagation and recovery

Harang Ju, Jason Z. Kim+1 more|arXiv (Cornell University)|Dec 21, 2018

Neural dynamics and brain function参考文献 74被引用 5

一句话总结

本研究表明，皮层神经系统的网络结构——尤其是其中的环路及环路内的强连接——决定了级联神经活动中刺激传播的持续时间与恢复时间。通过将线性系统理论、网络控制理论与信息论应用于实证和模拟的尖峰发放数据，作者发现此类结构基序能够实现对工作记忆与注意力至关重要的长期激活模式。

ABSTRACT

Many neural systems display cascading behavior characterized by uninterrupted sequences of neuronal firing. This gap precludes an understanding of how variations in network structure manifest in neural dynamics and either support or impinge upon information processing. Here, we develop a theoretical understanding of how network structure supports information processing through network dynamics, and we validate our theory with empirical data. Using a generalized spiking model and mathematical tools from linear systems theory, network control theory, and information theory, we show how network structure can be designed to temporally extend the propagation and recovery of certain stimulus patterns. Moreover, we observe cycles as structural and dynamic motifs that are prevalent in such networks. Broadly, our results demonstrate how cascading neural networks could contribute to cognitive faculties that require lasting activation of neuronal patterns, such as working memory or attention.

研究动机与目标

• 弥合皮层回路中神经网络结构、动力学与信息处理之间的鸿沟。
• 理解经验性网络基序——尤其是环路与强连接——如何限制神经级联的持续时间。
• 构建一个将网络拓扑与与认知相关的持续激活模式相联系的理论框架。
• 通过模拟尖峰神经网络与实证神经数据验证预测。
• 通过互信息与可控制性度量，量化网络结构如何随时间保持信息。

提出的方法

• 将尖峰传播建模为马尔可夫链中的状态转移，以分析系统记忆与级联持续时间。
• 应用线性系统理论，利用邻接矩阵 A 和有限时间步（F=100）内的脉冲响应，预测级联持续时间分布。
• 使用有限平均可控制性（FAC）量化初始神经活动状态对级联持续性的影响，对活跃节点取平均。
• 通过取非对称网络拓扑中特征值与特征向量分量的绝对值，将模态可控制性扩展至非对称矩阵。
• 计算初始状态与系统轨迹之间的互信息，以评估不同网络架构中的信息保持能力。
• 在四种生成图模型与实证数据上验证结果，涵盖非临界与临界（级联）状态。

实验结果

研究问题

• RQ1 网络拓扑，尤其是环路与强连接，如何影响神经级联的持续时间？
• RQ2 有限平均可控制性在多大程度上可预测级联系统中神经活动模式的持久性？
• RQ3 诸如双向连接与社区组织等结构基序如何促进神经网络中的信息保持？
• RQ4 初始状态与系统轨迹之间的互信息能否用于量化级联动力学中的信息恢复？
• RQ5 网络结构与动力学如何相互作用，以支持与工作记忆和注意力相关的长期激活模式？

主要发现

• 环路及其内部的强连接是产生级联持续时间长尾分布的关键结构基序，解释了持续的神经活动。
• 初始活动状态的有限平均可控制性（FAC）强烈预测级联持续时间，FAC值越高，级联持续时间越长。
• 将模态可控制性扩展至非对称矩阵后，能有效识别出其激活可导致系统响应延长的节点，尤其在环路子网络中表现显著。
• 互信息分析证实，网络结构塑造了信息保持能力，富含环路与强连接的网络表现出更高的信息保持水平。
• 该理论框架能准确预测模拟与实证尖峰神经网络中的级联动力学，包括表现出级联行为的网络。
• 该模型在不同类型网络中均表现稳健，包括非临界与临界（无标度、小世界）网络，展现出广泛的适用性。