Latent kinetic Ising models of neural spike trains

Um zu verstehen, wie ein Gehirn denkt, hören Wissenschaftler oft damit an, seinen Neuronen zuzuhören. Diese Zellen kommunizieren, indem sie winzige elektrische Funken namens „Spikes“ (Aktionspotenziale) abfeuern, und wenn Forscher diese Signale von vielen Neuronen gleichzeitig aufzeichnen, erhalten sie einen chaotischen Datenstrom. Die zentrale Herausforderung besteht darin, herauszufinden, wer mit wem spricht. Feuern zwei Neuronen zusammen, weil sie direkt miteinander verbunden sind, oder reagieren sie nur auf dasselbe externe Ereignis? Dies ist ein schwieriges Rätsel, da die Verbindungen verborgen sind, die Aktivität zufällig ist und das Timing jedes einzelnen Funkens entscheidend ist. Jahrzehntelang haben Wissenschaftler versucht, diese unsichtbaren Netzwerke abzubilden, aber eine gängige Methode hat sie oft dazu gezwungen, die Daten zu stark zu vereinfachen, indem sie das präzise Timing der Spikes so behandelte, als existiere es nicht.

Ein Team von Forschern der Aston University hat nun einen neuen Weg vorgestellt, um dieses Rätsel zu lösen, genannt SpiKIsing. Anstatt den komplexen, kontinuierlichen Fluss der Zeit in starre, künstliche Blöcke zu zwingen, trennt diese Methode die Geschichte des Netzwerks in zwei unterschiedliche Ebenen auf. Stellen Sie sich das Netzwerk wie eine Gruppe von Menschen in einem Raum vor. Die erste Ebene beschreibt die allgemeine Stimmung im Raum: Ist die Gruppe aufgeregt, ruhig oder unruhig? Diese „Stimmung“ ändert sich in diskreten Schritten und beeinflusst, wer als Nächstes wahrscheinlich sprechen wird. Die zweite Ebene beschreibt das eigentliche Sprechen: Wenn eine Person beschließt zu sprechen, tut sie dies zu einem spezifischen, kontinuierlichen Zeitpunkt in der Zeit, und sie kann nach dem Beenden eines Satzes für einen kurzen Moment nicht erneut sprechen. Indem sie diese zwei Ebenen getrennt halten, können die Forscher sehen, wie die kollektive Stimmung der Gruppe die individuellen Handlungen steuert, ohne die beiden zu verwechseln.

Die Forscher entwickelten ein Computermodell, das dieses Zwei-Ebenen-System nachahmt. In ihrer Simulation ist die „Stimmung“ jedes Neurons ein verborgener Zustand, der sich basierend auf dem Einfluss seiner Nachbarn entwickelt. Wenn ein Nachbar aktiv ist, kann er das Neuron dazu bringen, in seinen eigenen aktiven Zustand überzugehen, oder er kann es zurückhalten. Die tatsächlichen Spikes, die Wissenschaftler jedoch aufzeichnen, sind jedoch nicht die Stimmung selbst; sie sind das Ergebnis dieser Stimmung kombiniert mit der eigenen Historie des Neurons. Genau wie ein echtes Neuron beinhaltet das Modell eine kurze Phase der Stille nach einem Spike, bekannt als Refraktärperiode, in der die Zelle nicht erneut feuern kann, gefolgt von einer allmählichen Erholung. Dies ermöglicht es dem Modell, die Tatsache zu berücksichtigen, dass die jüngste Vergangenheit eines Neurons beeinflusst, wie es sich genau jetzt verhält – ein Detail, das ältere Methoden oft übersehen haben.

Um zu testen, ob dieser Ansatz funktioniert, fütterten die Forscher das Modell zuerst mit Daten, die es selbst generiert hatte, bei denen die wahren Verbindungen bereits bekannt waren. Das Modell lernte die verborgenen Regeln erfolgreich und stellte die Stärke und Richtung der Verbindungen zwischen den Neuronen präzise wieder her. Es identifizierte auch korrekt, welche Neuronen erregend (exzitatorisch) waren, was bedeutet, dass sie dazu neigen, andere zum Feuern anzuregen, und welche hemmend (inhibitorisch) waren, was bedeutet, dass sie die Aktivität unterdrücken. Dieser Erfolg war beeindruckend, selbst als das Modell die Zeitplanung der Erholungsphasen und die Stärke der Signale von Grund auf selbst schätzen musste. Die Forscher gingen dann einen Schritt weiter und testeten die Methode an Daten, die von einem völlig anderen, komplexeren Typ biologischer Simulation erzeugt wurden. Dieser Test war darauf ausgelegt, zu sehen, ob das Modell die zugrunde liegende Struktur finden kann, selbst wenn die Daten nicht perfekt mit den Regeln übereinstimmen, die das Modell erwartet.

Die Ergebnisse zeigten, dass die Methode bemerkenswert robust ist. Obwohl die Testdaten aus einem System mit kontinuierlichen Spannungsänderungen und physischen Verzögerungen stammten, von denen das Modell nichts wusste, konnte SpiKIsing die korrekte Netzwerkstruktur dennoch aufdecken. Es identifizierte korrekt, welche Neuronen miteinander verbunden waren, und klassifizierte entscheidend jedes einzelne Neuron in der Testgruppe mit perfekter Genauigkeit als entweder erregend oder hemmend. Das Modell tat dies, indem es das allgemeine Muster des Einflusses betrachtte, den jedes Neuron auf die anderen ausübte, anstatt zu versuchen, jeden einzelnen Spike exakt zu matchen. Dies deutet darauf hin, dass die Methode die wesentliche Architektur eines neuronalen Schaltkreises finden kann, selbst wenn die Daten unordentlich sind oder aus einer Quelle stammen, die sich anders verhält, als das Modell es erwartet.

Die Forscher betonen, dass die Verbindungen, die sie finden, „effektive“ Interaktionen sind, was bedeutet, dass sie beschreiben, wie Neuronen die Aktivitätsmuster der anderen beeinflussen, anstatt eine direkte Messung der physischen Drähte zwischen ihnen zu sein. Während die Methode nicht die exakte physische Stärke einer Synapse angibt, offenbart sie die funktionale Landkarte des Netzwerks. Diese Unterscheidung ist wichtig, denn sie bedeutet, dass das Werkzeug darauf ausgelegt ist, die Logik des Schaltkreises zu finden, nicht nur seine physischen Dimensionen. Das Team hat auch eine Möglichkeit eingebaut, um Vorwissen einzubeziehen, wie etwa die Erwartung, dass reale neuronale Netzwerke „spärlich“ (sparse) sind – also viele Neuronen nur wenige Verbindungen haben – und dass ein einzelnes Neuron in der Regel nur eine Art von Signal (entweder erregend oder hemmend) an alle seine Ziele sendet. Als sie diese Regeln anwandten, wurde das Modell noch besser darin, die wahre Struktur zu finden.

Diese Arbeit bietet eine neue Perspektung auf die Verdrahtung des Gebrains. Indem sie die kontinuierliche Natur der Zeit und die Historie jedes Neurons respektiert, vermeidet das SpiKIsing-Modell die Fallstricke älterer Methoden, die diese Details verwischen. Es bietet eine Möglichkeit, die verborgenen Regeln eines Netzwerks aus dem verrauschten, chaotischen Strom von Spikes abzuleiten, den echte Neuronen produzieren. Während die aktuellen Tests an simulierten Daten durchgeführt wurden, arbeiten die Autoren bereits daran, diese Technik auf Aufzeichnungen aus realen biologischen Kulturen anzuwenden. Wenn sie sich in der realen Welt bewährt, könnte dieser Ansatz Wissenschaftlern helfen, die funktionale Architektur neuronaler Schaltkreise zu entschlüsseln und zu enthüllen, wie sich Gruppen von Zellen organisieren, um Informationen zu verarbeiten, ohne die exakten physischen Details jeder Verbindung im Voraus kennen zu müssen.