随机连接网络产生涌现选择性并预测大规模神经元群体的解码特性
神经元与认知
2020-07-01 v1
摘要
神经记录方法的进步使得在行为任务执行过程中能够从数千个神经元的群体中采样，这引发了记录活动如何与潜在任务表现的理论计算模型相关联的问题。在啮齿动物决策的背景下，最近报道了选择选择性皮层神经元之间的功能连接模式，以及兴奋性和抑制性群体中广泛分布的选择信息[1]。对这些数据的直接解释暗示了一种依赖于特定解剖连接模式以实现抑制性和兴奋性神经元选择性池的机制。我们使用计算方法研究了这些实验观察结果涌现的另一种机制。我们发现，随机连接的兴奋性和抑制性神经元网络产生了单细胞选择性、成对相关模式，以及不可区分的兴奋性和抑制性读出权重分布，正如在记录的神经群体中所观察到的那样。此外，我们做出了易于验证的实验预测：对于这类证据累积任务，不存在代表选择的解剖学定义的神经元亚群，且特定神经元的选择偏好随任务细节而改变。这项工作表明，群体编码中的分布式刺激选择性和功能组织模式可能是随机连接网络的涌现特性。
引用
@article{arxiv.1909.10116,
title = {Randomly connected networks generate emergent selectivity and predict decoding properties of large populations of neurons},
author = {Audrey J. Sederberg and Ilya Nemenman},
journal= {arXiv preprint arXiv:1909.10116},
year = {2020}
}