[论文解读] Role of connectivity anisotropies in the dynamics of cultured neuronal networks

Akke Mats Houben, Jordi García‐Ojalvo+1 more|arXiv (Cornell University)|Jan 8, 2025

Neuroscience and Neural Engineering被引用 3

一句话总结

论文提出了一个两阶段的体外培养神经网络的计算模型，具有拓扑性引入的各向异性，利用轴突生长驱动的连接性和 Izhikevich 神经元动力学，探讨各向异性和噪声如何影响网络活动与连接推断。

ABSTRACT

Laboratory-grown, engineered living neuronal networks in vitro have emerged in the last years as an experimental technique to understand the collective behavior of neuronal assemblies in relation to their underlying connectivity. An inherent obstacle in the design of such engineered systems is the difficulty to predict the dynamic repertoire of the emerging network and its dependence on experimental variables. To fill this gap, and inspired on recent experimental studies, here we present a numerical model that aims at, first, replicating the anisotropies in connectivity imprinted through engineering, to next realize the collective behavior of the neuronal network and make predictions. We use experimentally measured, biologically-realistic data combined with the Izhikevich model to quantify the dynamics of the neuronal network in relation to tunable structural and dynamical parameters. These parameters include the synaptic noise, strength of the imprinted anisotropies, and average axon lengths. The latter are involved in the simulation of the development of neurons in vitro. We show that the model captures the behavior of engineered neuronal cultures, in which a rich repertoire of activity patterns emerge but whose details are strongly dependent on connectivity details and noise. Results also show that the presence of connectivity anisotropies substantially improves the capacity of reconstructing structural connectivity from activity data, an aspect that is important in the quest for understanding the structure-to-function relationship in neuronal networks. Our work provides the in silico basis to assist experimentalists in the design of laboratory in vitro networks and anticipate their outcome, an aspect that is particularly important in the effort to conceive reliable brain-on-a-chip circuits and explore key aspects such as input-output relationships or information coding.

研究动机与目标

• 在计算中复制实验上刻印的连接性各向异性，以研究其对网络动力学的影响。
• 量化各向异性强度、突触噪声和平均轴突长度对出现的活动模式的影响。
• 评估连接性各向异性对从活动中重建结构连接性的准确性的影响。
• 为设计具有丰富动态的体内脑芯片样网络提供体计算指导。

提出的方法

• 两阶段体计算流程：i）在 PDMS 约束下模拟轴突生长，获得结构连接矩阵；ii）在网络上使用 Izhikevich 模型模拟自发活动（80% 兴奋性，20% 抑制性）。
• 结合实验测得的不同高度穿越概率来设定神经元动力学参数。
• 在不同设计（Control、Tracks、Squares）下，研究障碍高度 h（各向异性强度）和突触噪声 σ 对动力学的影响。
• 从栅格图中量化动力学丰富性 Θ，作为活动模式谱系的度量。
• 分析前沿起始、传播速度以及在不同设计下的空间传播。
• 使用传输熵/广义传输熵概念讨论从动力学推断结构连接性的问题。

实验结果

研究问题

• RQ1 地形引起的连接性各向异性（Tracks/Squares 模式）相比同质化培养（Control）对自发网络动力学有何影响？
• RQ2 障碍高度 h 与突触噪声 σ 如何调制动力学谱系、前沿传播和爆发统计？
• RQ3 各向异性是否通过信息理论量度提升从活动数据恢复结构连接性的能力？
• RQ4 网络发展（平均轴突长度 ⟨ℓ⟩）在不同模式下如何影响爆发规模分布与动力学丰富性？
• RQ5 在反映底层连接性的条件下，网络度量（模块性、效率、聚类）在定性和定量上有何差异？

主要发现

• 模型 reproduces 实验观察：Track 式各向异性呈现模块化、弱耦合的活动，而 Control 显示全培养同步，Squares 呈现中间行为。
• 动力学丰富性 Θ 在中等 ⟨ℓ⟩、以及 h 和 σ 的中等值时达到最大；极端值导致要么同步，要么碎片化的活动。
• 前沿传播在 Control 下最快（约 199 ± 32 mm/s），在 Tracks 下较慢（约 21 ± 12 mm/s），在 Squares 下也较慢（约 69 ± 25 mm/s），各向异性对传播有约束作用。
• 障碍高度 h 提高了模块性并限制传播；较高的 σ 在障碍存在时可通过更高的自发激活（人群效应）增加前沿速度。
• 结构连接性分析显示 Control 的距离分布最广、全局效率最高，Tracks 的模块性和聚类度最强，Squares 介于二者之间；Tracks 的连接大多与轨道方向成 π/2 弧度垂直。
• 提高 αn（各向异性）和噪声可通过广义传输熵提升从活动到结构连接性的推断准确性，因减少误导性同步。