从推断网络模型涌现的自发活动捕捉尖峰数据的复杂时间动力学
神经元与认知
2018-04-09 v2
摘要
神经科学中新的记录技术与强大的推断方法近期有望从观测数据直接恢复在单神经元或网络层面有用的有效模型。模型的价值当然应关键取决于其重现所建系统动力学行为的能力;然而,在神经科学中鲜有尝试探究推断模型的动力学,且据我们所知,在网络层面尚无此类尝试。在此我们引入对广泛使用的广义线性模型(GLM)的原则性修正,并从离体尖峰数据中学习其结构与动态参数。我们表明,新模型能够捕捉生物网络所展现的高度非平稳与非线性动力学的最显著特征,而作为参照的GLM在很大程度上失败。两个要素被证明是成功的关键。其一是受限转移函数,使单神经元能够以饱和方式响应其输入;除其生物学合理性外,该性质通过限制神经元传递信息的能力,使编码在面对高度变化的网络活动与噪声时更为稳健。其二是超泊松尖峰生成概率机制;该特征考虑到观测严重欠采样网络这一事实,使模型神经元能更灵活地纳入观测到的活动涨落。综上,这两个要素在不增加复杂度的前提下使模型捕捉到关键动态要素。当任其自由生成自发活动时,该推断模型被证明不仅能重现网络的非平稳群体动力学,还能重现单神经元层面动力学的部分细粒度结构。
引用
@article{arxiv.1804.00153,
title = {Spontaneous activity emerging from an inferred network model captures complex temporal dynamics of spiking data},
author = {Cristiano Capone and Guido Gigante and Paolo Del Giudice},
journal= {arXiv preprint arXiv:1804.00153},
year = {2018}
}