Random neural networks match observed dimensionality of neural population recordings and motivate stronger experimental tests

بيان المشكلة
لطالما استُخدمت الشبكات العصبية المتصلة عشوائياً كإطار نظري لدراسة الديناميكيات الجماعية في الجمهرات العصبية. ومع ذلك، ظلت المقارنات الكمية بين هذه النماذج الدنيا والقياسات التجريبية واسعة النطاق والحديثة محدودة. ثمة ملاحظة مركزية في علم الأعصاب التجريبي هي أن نشاط الجمهرة العصبية غالباً ما يكون منخفض الأبعاد، مما يعني أن أنماط الإطلاق للعديد من الخلايا العصبية تتغير بطرق منسقة قليلة بدلاً من أن تتغير بشكل مستقل. وبينما فُسِّر هذا الانخفاض في الأبعاد غالباً كدليل على وجود دوائر منظمة خصيصاً ومضبوطة بدقة، لا يزال من الأسئلة المفتوحة ما إذا كان هذا الانخفاض في الأبعاد يمكن أن ينشأ بشكل عام من التفاعلات الارتدادية العشوائية دون الحاجة إلى ضبط دقيق. لقد قام العمل النظري السابق باستخدام نظرية المجال المتوسط الديناميكي (DMFT) بحساب أبعاد الشبكات العشوائية في حد زمن القياس اللانهائي وبدون مدخلات خارجية. يعالج هذا العمل الفجوة بين النظرية والتجربة من خلال تحديد ما إذا كانت شبكة عشوائية ذات بنية دنيا يمكن أن تفسر كمياً انخفاض الأبعاد الملاحظ في البيانات الحقيقية عند إدراج القيود التجريبية الواقعية - وتحديداً زمن القياس المحدود والمدخلات السلوكية الخارجية.

المنهجية
يستخدم المؤلفون نموذج شبكة عصبية ارتدادية عشوائية قياسي (Sompolinsky et al) مع عدد $N$ من الخلايا العصبية، حيث يتم أخذ مصفوفة الاقتران $J$ من توزيع غاوسي بمتوسط صفر ($J_{ij} \sim \mathcal{N}(0, g^2/N)$). لنمذجة السياقات السلوكية، تتلقى الشبكة مدخلات خارجية ثابتة زمنياً $f_i$ مأخوذة من توزيع غاوسي بمتوسط صفر وبقوة $I$. تُحكم الديناميكيات بنموذج معدل مستمر زمنياً مع دالة غير خطية $\phi(h) = \text{erf}(\sqrt{\pi}h/2)$.

الأداة النظرية المركزية هي نظرية المجال المتوسط الديناميكي (DMFT)، الموسعة للتعامل مع:

1. المدخلات الخارجية: تفكيك النشاط إلى "استجابة مرتبة" ($\bar{r}$)، وهي متوسط الاستجابة الزمنية للمدخلات، و"فوضى زمنية" ($\tilde{r}$)، والتي تمثل التقلبات المتبقية.
2. زمن القياس المحدود ($T$): اشتقاق تعبيرات تحليلية للإحصائيات المقاسة عبر نافذة زمنية $T$ محددة، مع الإقرار بأن الأبعاد المقاسة تعتمد على النسبة بين زمن القياس وزمن الارتباط الذاتي للفوضى ($\tau_{\tilde{C}}$).
3. تحليل السياقات المتعددة: استخدام طرق "النسخ المتماثلة" (replica methods) لحساب الإحصائيات عبر سياقات سلوكية متعددة (مدخلات خارجية مختلفة) لتقييم هندسة "سحابة" الاستجابات المرتبة.

تشمل الكميات الرئيسية المحسوبة:

• نسبة المشاركة (PR): تُستخدم كمقياس خطي للأبعاد لكل من الفوضى الزمنية والاستجابات المرتبة.
• تشابه جيب التمام (CS): يقيس التشابه بين الاستجابات المرتبة عبر سياقات مختلفة.
• تشابه التوجه (OS): يقيس التشابه بين المحاور الرئيسية (القطع الناقص للمغايرة) للفوضى الزمنية عبر السياقات.

المساهمات والنتائج الرئيسية

• التوافق الكمي مع التجارب: يُظهر المؤلفون أنه عند تضمين زمن القياس المحدود والمدخلات الخارجية، فإن الأبعاد التي يتنبأ بها نموذج الشبكة العشوائية ذات البنية الدنيا تتوافق كمياً مع البيانات التجريبية من القشرة الحركية لحيوان الرئيسات (PMd و M1) أثناء مهام الوصول. وتحديداً، يعيد النموذج إنتاج قيم الأبعاد المنخفضة الملاحظة في التجارب لفترات قياس واقعية ($T \sim 1$ ثانية) وأعداد خلايا عصبية ($N \sim 800$).
• محدودية الأبعاد كأداة تمييز: رغم التوافق، يجد المؤلفون أنه في النظام المحدد بالمدد التجريبية الحالية، تكون الأبعاد المتوقعة منخفضة وغير حساسة نسبياً لمعلمات الشبكة (مثل الكسب $g$ أو قوة المدخلات $I$). وبالتالي، فإن قياسات الأبعاد وحدها لا يمكنها التمييز بين شبكة عشوائية ذات بنية دنيا وشبكة ذات هياكل توصيل محددة إضافية. قد يكون هذا التوافق مجرد انعكاس لنافذة القياس المحدودة وليس لغياب البنية.
• الأبعاد غير الرتيبة للفوضى الزمنية: تختلف أبعاد الفوضى الزمنية طويلة المدى ($PR_\infty$) بشكل غير رتيب مع قوة المدخلات الخارجية. فهي تزديد في البداية مع محاذاة المدخلات الضعيفة للتقلبات مع اتجاهات التباين العالي للفوضى الذاتية، ثم تنخفض مع دفع المدخلات القوية للخلايا العصبية إلى مناطق منخفضة الكسب في الدالة غير الخطية، مما يؤدي إلى كبح الفوضى.
• التمايز في حساسية المقاييس الهندسية:
  • تشابه الاستجابة المرتبة (CS): يظل التشابه بين الاستجابات المتوسطة زمنياً عبر السياقات مرتفعاً ويتشبع بسرعة مع زيادة قوة المدخلات، مما يحافظ على تشابه المدخلات. هذا المقياس حساس بشكل أساسي لخصائص الخلية العصبية الواحدة.
  • تشابه توجه الفوضى الزمنية (OS): في المقابل، يتغير توجه قطع التباين (الفوضى الزمنية) بسرعة مع قوة المدخلات. حتى عندما تكون الاستجابات المرتبة متشابهة للغاية، يمكن للهياكل المتقلبة الأساسية أن تفقد ارتباطها بشكل كبير. هذا المقياس أكثر حساسية لبنية الشبكة من الأبعاد.
  • أبعاد السياقات المتعددة: ينمو بُعد سحابة الاستجابات المرتبة عبر سياقات متعددة بشكل منهجي مع عدد السياقات التي يتم أخذ عينات منها. يوفر هذا خط أساس يمكن من خلاله مقارنة البيانات التجريبية للكشف عن الانحرافات عن النموذج الأدنى.

الأهمية
يجادل البحث بأن انخفاض الأبعاد في تسجيلات الجمهرة العصبية لا ينبغي اعتباره دليلاً قاطعاً على وجود بنية دائرة منظمة خصيصاً. فالشبكة العشوائية ذات البنية الدنيا، عند تعرضها لقيود تجريبية واقعية (الزمن المحدود والمدخلات الخارجية)، تنتج طبيعياً نشاطاً ذا أبعاد منخفضة تضاهي الملاحظات التجريبية. لذلك، فإن مجرد ملاحظة انخفاض الأبعاد غير كافية لاستنتاج وجود اتصال مضبوط بدقة.

ولحل مسألة ما إذا كانت الشبكة تمتلك بنية تتجاوز التفاعلات العشوائية، يقترح المؤلفون ضرورة انتقال التجارب إلى ما هو أبعد من مجرد حسابات الأبعاد. لقد حددوا كميات هندسية محددة توفر اختبارات أقوى:

1. الاعتماد غير الرتيب لأبعاد الفوضى الزمنية على قوة المدخلات.
2. الاضمحلال السريع لتشابه التوجه (OS) بين هياكل الفوضى الزمنية عبر السياقات السلوكية المختلفة.
3. مقياس أبعاد السياقات المتعددة مع عدد السياقات التي تم أخذ عينات منها.

إن أي انحراف عن التنبؤات الكمية للشبكة العشوائية ذات البنية الدنيا لهذه المقاييس المحددة سيشير إلى وجود تنظيم إضافي غير عشوائي في الدوائر العصبية الأساسية. يوفر هذا العمل إطاراً كمياً لتصميم تجارب تميز بين الديناميكيات العشوائية العامة والحسابات المهيكلة.