[论文解读] Two-compartment neuronal spiking model expressing brain-state specific apical-amplification, -isolation and -drive regimes

Elena Pastorelli, Alper Yegenoglu+6 more|arXiv (Cornell University)|Nov 10, 2023

Neural dynamics and brain function被引用 4

一句话总结

该论文提出了一种生物上合理的双 compartment 脉冲神经元模型，通过分段线性转移函数（ThetaPlanes）实现与脑状态相关的顶端机制——清醒状态下的放大、深 NREM 睡眠期间的隔离，以及 REM 睡眠期间的驱动，该函数通过在高性能计算基础设施上使用机器学习驱动的进化算法进行优化。该模型支持大规模的状态依赖学习模拟，并原生兼容 NEST、Neuron 和 Brian 等主流仿真平台。

ABSTRACT

Mounting experimental evidence suggests that brain-state-specific neural mechanisms, supported by connectomic architectures, play a crucial role in integrating past and contextual knowledge with the current, incoming flow of evidence (e.g., from sensory systems). These mechanisms operate across multiple spatial and temporal scales, necessitating dedicated support at the levels of individual neurons and synapses. A notable feature within the neocortex is the structure of large, deep pyramidal neurons, which exhibit a distinctive separation between an apical dendritic compartment and a basal dendritic/perisomatic compartment. This separation is characterized by distinct patterns of incoming connections and brain-state-specific activation mechanisms, namely, apical amplification, isolation, and drive, which are associated with wakefulness, deeper NREM sleep stages, and REM sleep, respectively. The cognitive roles of apical mechanisms have been demonstrated in behaving animals. In contrast, classical models of learning in spiking networks are based on single-compartment neurons, lacking the ability to describe the integration of apical and basal/somatic information. This work aims to provide the computational community with a two-compartment spiking neuron model that incorporates features essential for supporting brain-state-specific learning. This model includes a piece-wise linear transfer function (ThetaPlanes) at the highest abstraction level, making it suitable for use in large-scale bio-inspired artificial intelligence systems. A machine learning evolutionary algorithm, guided by a set of fitness functions, selected the parameters that define neurons expressing the desired apical mechanisms.

研究动机与目标

• 开发一种计算高效的双 compartment 脉冲神经元模型，以捕捉皮层锥体神经元中观察到的与脑状态相关的顶端动力学（放大、隔离、驱动）。
• 通过整合对状态依赖学习和记忆巩固至关重要的顶端树突机制，弥合单 compartment 模型与生物现实性之间的差距。
• 通过将模型集成到 NEST、Neuron 和 Brian 等标准仿真框架中，实现大规模脑状态依赖神经动力学的模拟。
• 证明通过学习-学习（L2L）框架进行的进化优化能够高效识别支持多种脑状态下的期望神经动力学的参数集合。

提出的方法

• 该模型采用双 compartment 结构，包含独立的胞体和顶端树突 compartment，每个 compartment 均由具有电压依赖性离子通道的独立 integrate-and-fire 动力学控制。
• 引入一种分段线性转移函数，称为 ThetaPlanes，以捕捉顶端树突 Ca2+ 电位和爆发放电特有的非线性输入-输出转换特性。
• 通过一组适应度函数驱动的进化算法，探索参数空间，以识别能够重现特定脑状态行为的神经元配置。
• 优化过程在高性能计算（HPC）基础设施上使用学习-学习（L2L）框架完成，实现对复杂参数依赖关系的高效、并行探索。
• 该模型在 NEST 仿真环境中实现，确保与大规模网络仿真兼容，并可扩展至额外 compartment（例如支持 NMDA 电位的结构）。
• 适应度函数被设计用于强制实现状态特异性动力学：清醒状态下高频爆发（顶端放大），深度睡眠期间顶端活动降低（隔离），以及类似 REM 状态下的持续顶端驱动。

实验结果

研究问题

• RQ1 双 compartment 脉冲神经元模型能否重现与清醒状态、深 NREM 睡眠和 REM 睡眠分别相关的三种不同顶端动力学——放大、隔离和驱动？
• RQ2 如何通过机器学习驱动的进化算法高效识别该模型在多种脑状态下的生物合理参数集合？
• RQ3 分段线性转移函数（ThetaPlanes）在不牺牲计算效率的前提下，能在多大程度上准确捕捉顶端树突电位的非线性动力学？
• RQ4 与单 compartment 模型相比，双 compartment 模型中引入顶端机制在状态依赖任务中如何提升学习能力和网络动力学？
• RQ5 该模型能否原生集成到 NEST、Neuron 和 Brian 等成熟的大规模神经仿真平台中，以支持全脑建模？

主要发现

• L2L 框架成功识别出能够重现三种不同脑状态下的顶端动力学（放大、隔离、驱动）的参数集合，证明了对复杂神经模型进行进化优化的可行性。
• 所得到的具有 ThetaPlanes 转移函数的双 compartment 模型准确捕捉了胞体动作电位与树突 Ca2+ 电位之间的相互作用，实现了特定脑状态下的爆发放电与调制。
• 该模型保持与自适应指数积分-放电（AdEx）框架的一致性，确保与现有大规模仿真和平均场模型的兼容性。
• 该模型可原生实现于 NEST，支持直接集成到大规模网络仿真中，并可未来扩展至支持额外 compartment（如 NMDA 电位相关的结构）。
• HPC 与 L2L 的结合使得高维参数空间的高效、并行探索成为可能，仅需极少的人工调优即可识别出最优配置。
• 结果表明，进化可能已通过简单的双 compartment 几何结构轻松发现顶端机制的认知优势，支持皮层锥体神经元形态复杂性逐步演化的假说。