[论文解读] Successes and failures of simple statistical physics models for a network of real neurons

Leenoy Meshulam, Jeffrey L. Gauthier+3 more|arXiv (Cornell University)|Dec 29, 2021

Gene Regulatory Network Analysis被引用 4

一句话总结

本研究基于成对相关性的最大熵模型，用于预测超过1,000个神经元的鼠海马网络中的集体神经活动。结果表明，这些简单的统计物理模型在空间上连续的局部子群（100个神经元）中实现了与实验数据近乎完美的定量一致，但在随机采样的远距离子群中则失败，证明了模型的成功依赖于空间连续性和局部网络结构。

ABSTRACT

Biological networks exhibit complex, coordinated patterns of activity. Can these patterns be captured precisely in simple models? Here we use measurements of simultaneous activity in 1000+ neurons in the mouse brain to test the validity of models grounded in statistical physics. When cells are dense samples from a small region, we find extremely detailed quantitative agreement between theory and experiment; sparse samples from larger regions lead to model failures. These results show we can aspire to more than qualitative agreement between simplifying theoretical ideas and the detailed behavior of a complex biological system.

研究动机与目标

• 评估仅基于成对相关性的简单最大熵模型是否能定量预测真实生物网络中的集体神经活动。
• 研究此类模型的成功是否依赖于神经元在神经网络中的空间组织。
• 确定在假设最少的情况下，理论与实验之间是否可在复杂生物系统中实现定量一致。
• 检验模型在某些子群中失败的原因是模型过于简化，还是底层神经网络的固有属性。
• 评估模型推导出的有效场是否能准确预测不同网络子群中单个神经元的活动状态。

提出的方法

• 仅以成对相关性 $ C_{ij} = \big\rangle $ 为约束，使用最大熵模型来预测神经群体活动中的高阶统计结构。
• 应用伊辛模型框架，通过参数 $ h_i $ 和 $ J_{ij} $ 拟合以匹配经验平均放电率和成对相关性。
• 计算有效场 $ h_i^{\text{eff}} = h_i + \bigsum_{j \neq i} J_{ij} \rho_j $ 以预测单个神经元活动的概率。
• 将钙荧光轨迹二值化为 $ \rho_i \in \{0,1\} $，以1/30秒的时间分辨率表示神经元的放电活动。
• 系统性地选择神经元子群：局部（密集，小半径）与远距离（稀疏，大半径），并匹配其平均活动和相关性分布。
• 使用Kullback–Leibler散度确保在采样区域逐步扩大的过程中，子群之间的统计特性保持等价。

实验结果

研究问题

• RQ1 仅基于成对相关性的最大熵模型能否在真实生物网络中定量预测神经群体活动的高阶统计特征？
• RQ2 此类模型的成功是否依赖于采样神经元在神经网络中的空间连续性？
• RQ3 模型在某些子群中失败的原因是模型过度简化，还是神经网络本身的内在属性？
• RQ4 从模型推导出的有效场在多大程度上能准确预测单个神经元活动的概率？
• RQ5 模型能否基于有效场区分驱动神经元活动或抑制其活动的网络状态？

主要发现

• 对于空间上连续的100个神经元的局部子群，最大熵模型在实验测量误差范围内预测了所有测试的高阶统计量（包括 $ C_{ijk} $）。
• 局部子群的预测误差与测量误差相当，表明理论与实验之间实现了近乎完美的定量一致。
• 对于从较大区域中随机采样的远距离子群，预测误差显著更大，尤其在低频和小幅度的高阶相关性中更为明显。
• 在局部子群中，有效场预测与观测到的活动概率高度吻合；但在远距离子群中，无法区分活跃与静默状态。
• 局部子群中有效场的分布清晰区分了活跃与静默神经元，而远距离子群中则无此区分，表明预测能力出现崩溃。
• 这些结果在三只不同小鼠中30对局部/远距离子群中均一致重现，证实了模型性能取决于空间采样方式，而非实验变异性。