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

Problemstellung
Zufällig verbundene neuronale Netzwerke dienen seit langem als theoretischer Rahmen für die Untersuchung kollektiver Dynamiken in neuronalen Populationen. Allerdings blieben quantitative Vergleiche zwischen diesen minimalen Modellen und modernen großskaligen experimentellen Aufnahmen begrenzt. Eine zentrale Beobachtung in der experimentellen Neurowissenschaft ist, dass die Aktivität neuronaler Populationen oft niedrigdimensional ist, was bedeutet, dass die Feuermuster vieler Neuronen sich nur in wenigen koordinierten Wegen und nicht unabhängig voneinander verändern. Obwohl diese Niedrigdimensionalität häufig als Beleg für speziell organisierte, feinabgestimmte Schaltkreise interpretiert wurde, bleibt eine offene Frage, ob eine solche Niedrigdimensionalität generisch aus zufälligen rekurrenten Wechselwirkungen ohne Feinabstimmung entstehen kann. Bisherige theoretische Arbeiten, die die Dynamische Mittelwertfeldtheorie (DMFT) verwendeten, berechneten die Dimensionalität zufälliger Netzwerke im Grenzfall unendlicher Messzeit und ohne externe Eingaben. Diese Arbeit schließt die Lücke zwischen Theorie und Experiment, indem sie ermittelt, ob ein minimal strukturiertes zufälliges Netzwerk die in realen Daten beobachtete Niedrigdimensionalität quantitativ erklären kann, wenn realistische experimentelle Einschränkungen – insbesondere endliche Messzeit und externe verhaltensbezogene Eingaben – einbezogen werden.

Methodik
Die Autoren verwenden ein Standardmodell eines zufälligen rekurrenten neuronalen Netzwerks (Sompolinsky et al.) mit $N$ Neuronen, wobei die Kopplungsmatrix $J$ aus einer Gaußschen Verteilung mit Mittelwert Null entnommen wird ($J_{ij} \sim \mathcal{N}(0, g^2/N)$). Um verhaltensbezogene Kontexte zu modellieren, erhält das Netzwerk zeitunabhängige externe Eingaben $f_i$, die aus einer Gaußschen Verteilung mit Mittelwert Null und der Stärke $I$ entnommen werden. Die Dynamik wird durch ein kontinuierliches Zeit-Ratenmodell mit einer Nichtlinearität $\phi(h) = \text{erf}(\sqrt{\pi}h/2)$ bestimmt.

Das zentrale theoretische Werkzeug ist die Dynamische Mittelwertfeldtheorie (DMFT), erweitert für:

1. Externe Eingaben: Zerlegung der Aktivität in eine „geordnete Antwort" ($\bar{r}$), die die zeitlich gemittelte Antwort auf die Eingabe darstellt, und „temporales Chaos" ($\tilde{r}$), das die verbleibenden Fluktuationen repräsentiert.
2. Endliche Messzeit ($T$): Herleitung analytischer Ausdrücke für Statistiken, die über ein endliches Zeitfenster $T$ gemessen werden, wobei anerkannt wird, dass die gemessene Dimensionalität vom Verhältnis der Messzeit zur Autokorrelationszeit des Chaos ($\tau_{\tilde{C}}$) abhängt.
3. Multi-Kontext-Analyse: Verwendung von Replika-Methoden zur Berechnung von Statistiken über mehrere verhaltensbezogene Kontexte (unterschiedliche externe Eingaben), um die Geometrie der „Wolke" geordneter Antworten zu bewerten.

Wichtige berechnete Größen umfassen:

• Partizipationsverhältnis (PR): Wird als lineares Maß für die Dimensionalität sowohl für temporales Chaos als auch für geordnete Antworten verwendet.
• Kosinus-Ähnlichkeit (CS): Misst die Ähnlichkeit zwischen geordneten Antworten über verschiedene Kontexte hinweg.
• Orientierungsähnlichkeit (OS): Misst die Ähnlichkeit zwischen den Hauptachsen (Kovarianz-Ellipsoide) des temporalen Chaos über verschiedene Kontexte hinweg.

Hauptbeiträge und Ergebnisse

• Quantitative Übereinstimmung mit Experimenten: Die Autoren zeigen, dass, wenn endliche Messzeit und externe Eingaben einbezogen werden, die von einem minimal strukturierten zufälligen Netzwerk vorhergesagte Dimensionalität quantitativ mit experimentellen Daten aus dem motorischen Kortex von Primaten (PMd und M1) während Greifaufgaben übereinstimmt. Insbesondere reproduziert das Modell die in Experimenten beobachteten niedrigen Dimensionalitätswerte für realistische Messdauern ($T \sim 1$ s) und Neuronenzahlen ($N \sim 800$).
• Grenzen der Dimensionalität als Diskriminator: Trotz der Übereinstimmung stellen die Autoren fest, dass im durch aktuelle experimentelle Dauern definierten Regime die vorhergesagte Dimensionalität niedrig und relativ unempfindlich gegenüber Netzwerkparametern (wie Verstärkung $g$ oder Eingabestärke $I$) ist. Folglich können Dimensionalitätsmessungen allein nicht zwischen einem minimal strukturierten zufälligen Netzwerk und einem Netzwerk mit zusätzlichen spezifischen Verschaltungsstrukturen unterscheiden. Die Übereinstimmung könnte einfach das begrenzte Messfenster widerspiegeln und nicht das Fehlen von Struktur.
• Nicht-monotone Dimensionalität des temporalen Chaos: Die Langzeit-Dimensionalität des temporalen Chaos ($PR_\infty$) variiert nicht-monoton mit der Stärke der externen Eingabe. Sie steigt zunächst an, wenn schwache Eingaben Fluktuationen mit Richtungen hoher Varianz des autonomen Chaos ausrichten, und nimmt dann ab, wenn starke Eingaben Neuronen in Bereiche niedriger Verstärkung der Nichtlinearität treiben und das Chaos unterdrücken.
• Differenzielle Empfindlichkeit geometrischer Maße:
  • Ähnlichkeit geordneter Antworten (CS): Die Ähnlichkeit zwischen zeitlich gemittelten Antworten über Kontexte hinweg bleibt hoch und sättigt schnell mit zunehmender Eingabestärke, wodurch die Ähnlichkeit der Eingaben erhalten bleibt. Dieses Maß ist primär empfindlich gegenüber Eigenschaften einzelner Neuronen.
  • Orientierungsähnlichkeit des temporalen Chaos (OS): Im Gegensatz dazu ändert sich die Orientierung des Fluktuationsellipsoids (temporales Chaos) schnell mit der Eingabestärke. Selbst wenn geordnete Antworten hoch ähnlich sind, können die zugrunde liegenden Fluktuationsstrukturen signifikant entkoppeln. Dieses Maß ist empfindlicher gegenüber der Netzwerkstruktur als die Dimensionalität.
  • Multi-Kontext-Dimensionalität: Die Dimensionalität der Wolke geordneter Antworten über mehrere Kontexte hinweg wächst systematisch mit der Anzahl der abgetasteten Kontexte. Dies bietet eine Basislinie, gegen die experimentelle Daten verglichen werden können, um Abweichungen vom minimalen Modell zu erkennen.

Bedeutung
Die Arbeit argumentiert, dass Niedrigdimensionalität in Aufnahmen neuronaler Populationen nicht als endgültiger Beweis für speziell organisierte Schaltkreisstrukturen betrachtet werden sollte. Ein minimal strukturiertes zufälliges Netzwerk erzeugt unter realistischen experimentellen Einschränkungen (endliche Zeit und externe Eingaben) natürlich Aktivität mit einer Niedrigdimensionalität, die mit experimentellen Beobachtungen vergleichbar ist. Daher ist die bloße Beobachtung einer Niedrigdimensionalität unzureichend, um das Vorhandensein feinabgestimmter Konnektivität zu erschließen.

Um zu klären, ob ein Netzwerk Strukturen über zufällige Wechselwirkungen hinaus besitzt, schlagen die Autoren vor, dass Experimente über einfache Dimensionalitätszählungen hinausgehen müssen. Sie identifizieren spezifische geometrische Größen, die stärkere Tests bieten:

1. Die nicht-monotone Abhängigkeit der Dimensionalität des temporalen Chaos von der Eingabestärke.
2. Der schnelle Abfall der Orientierungsähnlichkeit (OS) zwischen Strukturen des temporalen Chaos über verschiedene verhaltensbezogene Kontexte hinweg.
3. Die Skalierung der Multi-Kontext-Dimensionalität mit der Anzahl der abgetasteten Kontexte.

Abweichungen von den quantitativen Vorhersagen des minimal strukturierten zufälligen Netzwerks für diese spezifischen Maße würden das Vorhandensein zusätzlicher, nicht-zufälliger Organisation in der zugrunde liegenden neuronalen Schaltkreisstruktur anzeigen. Die Arbeit liefert einen quantitativen Rahmen für die Gestaltung von Experimenten, um zwischen generischen zufälligen Dynamiken und strukturierten Berechnungen zu unterscheiden.