Effective mean-field variables explain how biophysical parameters control firing rate and regularity in a spiking network

Das Gehirn ist ein riesiges Netzwerk aus Milliarden von Zellen, von denen jede eine winzige elektrische Einheit ist, die Signale an ihre Nachbarn sendet. Um zu verstehen, wie dieses massive System Gedanken, Gedächtnis und Bewegung erzeugt, bauen Wissenschaftler oft vereinfachte Computermodelle dieser Netzwerke. Diese Modelle bestehen aus tausenden simulierten Neuronen, die Eingaben erhalten, diese integrieren und feuern, wenn das Signal stark genug wird. Durch das Anpassen der Einstellungen dieser Modelle – etwa wie stark die Verbindungen sind, wie schnell die Signale reisen oder wie viel Elektrizität eine Zelle speichern kann – versuchen Forscher zu sehen, wie sich das Verhalten des Netzwerks verändert. Jahrzehntelang war die Standardmethode zur Interpretation dieser Veränderungen die Annahme, dass jede Einstellung einen spezifischen Teil des Netzwerkverhaltens für sich allein steuert. Wenn die Erhöhung der Hemmung (Inhibition) dazu führt, dass das Netzwerk weniger feuert, ist die Annahme, dass die Hemmung die direkte Ursache ist. Diese Sichtweise behandelt jedoch jeden Regler auf dem Bedienfeld als einen unabhängigen Hebel und ignoriert die Möglichkeit, dass das Drehen eines Reglers tatsächlich dasselbe bewirken könnte wie das Drehen eines anderen, nur über einen anderen Pfad.

Eine neue Studie von Luciano Gonçalves Fernandes an der Washington State University stellt diese geradlinige Interpretation infrage. Der Forscher führte massive Simulationen eines Netzwerks mit zehntausend Neuronen durch, eine Größenordnung, die groß genug ist, um das komplexe, unregelmäßige Feuern in echten Gehirnen nachzuahmen. Anstatt nur zuzusehen, was passierte, wenn er einen Regler nach dem anderen drehte, setzte er fortschrittliche mathematische Werkzeuge ein, um zu verfolgen, wie das Netzwerk Informationen verarbeitet. Er entdeckte, dass die meisten der scheinbaren Effekte der Änderung der Modelleinstellungen nicht einzigartig für diese spezifischen Einstellungen waren. Stattdessen wurden die Feuerrate des Netzwerks und die Regelmäßigkeit seines Rhythmus durch einen viel kleineren Satz verborgener, „effektiver“ Variablen gesteuert. Diese Variablen beschreiben den gesamten Druck, den die Neuronen erhalten, das Gleichgewicht ihrer internen Verbindungen und das Timing ihrer Signale im Verhältnis zu ihrer eigenen Geschwindigkeit. Die Studie fand heraus, dass sieben der acht Standardeinstellungen, die der Forscher anpasste, tatsächlich nur verschiedene Wege waren, um dieselben wenigen verborgenen Variablen zu verändern. Wenn der Forscher die Einstellungen so änderte, dass diese verborgenen Variablen beeinflusst wurden, änderte sich das Verhalten des Netzwerks vorhersagbar. Wenn er die Einstellungen jedoch so änderte, dass die verborgenen Variablen unberührt blieben, blieb das Verhalten des Netzwerks exakt gleich, was bewies, dass die ursprünglichen Einstellungen keine unabhängigen Steuerungen, sondern vielmehr verschiedene Routen zum selben Ziel waren.

Die Forschung begann mit einem Standard-Computermodell eines Gehirnetzwerks, das aus exzitatorischen Neuronen besteht, die das Feuern fördern, und inhibitorischen Neuronen, die es unterdrücken. Im echten Gehirn sind diese beiden Arten von Inputs eng ausbalanciert, was einen Zustand schafft, in dem die Neuronen unregelmäßig feuern, ganz ähnlich wie Regentropfen, die auf ein Dach prasseln. Der Forscher simulierte dieses Netzwerk mit zehntausend Neuronen und variierte systematisch acht verschiedene physikalische Parameter, wie etwa die Stärke der Verbindungen, die Geschwindigkeit der Signale und die elektrische Kapazität der Neuronen. Er führte über fünfzigtausend Simulationen durch, um abzubilden, wie das Netzwerk auf jede mögliche Kombination dieser Änderungen reagiert. Das Ziel war es zu sehen, ob das Verhalten des Netzwerks einfach durch den Blick auf die Rohwerte der Einstellungen vorhergesagt werden konnte oder ob eine tiefere, abstraktere Beschreibung nötig war.

Die Ergebnisse zeigten ein auffälliges Muster. Für die meisten Parameter konnten die Feuerrate des Netzwerks und die Regelmäßigkeit seiner Impulse perfekt durch einige einfache Größen vorhergesagt werden, die aus den Einstellungen abgeleitet wurden. Zu diesen Größen gehörten die Stärke des externen Antriebs, der die Neuronen zum Feuern drängt, die Nettostärke der Verbindungen zwischen den Neuronen und das Verhältnis der Signalgeschwindigkeit zur internen Zeitgebung des Neurons. Die Studie zeigte, dass die Änderung der Verbindungsdichte, der Stärke der Hemmung oder der Feuerschwelle alle zur gleichen Änderung dieser verborgenen Größen führten. Folglich reagierte das Netzwerk auf exakt die gleiche Weise, ungeachtet dessen, welcher physikalische Regler gedreht wurde. Dies bedeutet, dass das, was wie ein komplexes Geflecht unabhängiger Steuerungen aussah, tatsächlich ein viel einfacheres System war, in dem viele verschiedene Einstellungen lediglich Aliase für dieselbe zugrunde liegende Ursache waren. Der Forscher demonstrierte dies, indem er zeigte, dass ein Netzwerk mit einer bestimmten Verbindungsdichte identisch zu einem Netzwerk mit einer anderen Verbindungsdichte, aber einer anderen Hemmstärke reagierte, weil beide Setups denselben effektiven Druck und Zug auf die Neuronen ausübten.

Ein Parameter jedoch hob sich von dieser Regel ab: die synaptische Verzögerung (synaptic delay), also die Zeit, die ein Signal benötigt, um von einem Neuron zu einem anderen zu gelangen. Während die anderen Einstellungen hauptsächlich die durchschnittliche Feuerrate veränderten, hatte die Verzögerung fast keinen Effekt darauf, wie schnell die Neuronen im Durchschnitt feuerten. Stattdessen steuerte sie das Timing der Gruppenaktivität. Wenn die Verzögerung kurz war, feuerten die Neuronen in einem verstreuten, unregelmäßigen Muster. Mit zunehmender Verzögerung wechselte das Netzwerk plötzlich in einen Zustand, in dem die gesamte Population in perfekter Einheit feuerte und einen synchronisierten Rhythmus erzeugte. Dieser Übergang geschah, ohne die durchschnittliche Geschwindigkeit des Feuerns zu verändern, sondern nur die Koordination der Gruppe. Die Studie fand heraus, dass dieser Übergang zum synchronisierten Feuern eintrat, wenn die Verzögerung etwa sechs Millisekunden erreichte – ein Punkt, an dem die Stabilität des Netzwerks zusammenbricht und kollektive Oszillationen die Oberhand gewinnen. Dieser Befund hebt einen entscheidenden Unterschied hervor: Die durchschnittliche Geschwindigkeit des Netzwerks wird durch die Stärke der Inputs und Verbindungen bestimmt, aber das Timing und der Rhythmus des Netzwerks werden dadurch geregelt, wie lange die Signale benötigen, um zwischen den Zellen zu reisen.

Die Studie testete auch, ob diese Erkenntnisse Bestand hatten, wenn die Regeln des Modells geändert wurden. In einem geplanten Test änderte der Forscher die Kalibrierung des Modells und veränderte damit im Wesentlichen die Bedeutung der Regler, ohne das Netzwerk selbst zu verändern. In einem Szenario hielt er den externen Antrieb fest, während er die Feuerschwelle veränderte. Unter den Standardregeln führte das Erhöhen der Schwelle dazu, dass das Netzwerk schneller feuerte, was kontraintuitiv erschien. Doch als die Regeln so geändert wurden, dass der externe Antrieb nicht mit der Schwelle mitadjustierte, führte das Erhöhen der Schwelle dazu, dass das Netzwerk langsamer feuerte, wie man es erwarten würde. Die im Rahmen der Studie entwickelte mathematische Theorie sagte diese Umkehrung perfekt voraus, noch bevor die Simulationen überhaupt durchgeführt wurden. Dies bewies, dass die Richtung der Wirkung eines Parameters keine intrinsische Eigenschaft dieses Parameters ist, sondern davon abhängt, wie das System konfiguriert ist. Derselbe Regler kann die Aktivität je nach Kontext entweder erhöhen oder verringern, was die Tatsache weiter bestätigt, dass die wahren Steuerungen die effektiven Variablen sind und nicht die nominellen Einstellungen.

Die Forscher untersuchten auch die Struktur der Netzwerkverbindungen. Wenn sie die Anzahl der Verbindungen erhöhten, wurde das Graphwerk des Netzwerks dichter und komplexer. Man könnte annehmen, dass diese Änderung der Netzwerkform die Ursache für die Änderung der Aktivität war. Die Studie zeigte jedoch, dass die Änderung der Aktivität vollständig durch die Zunahme der Gesamtstärke der Verbindungen erklärt werden konnte. Wenn der Forscher die Stärke der Verbindungen änderte, ohne die Anzahl der Verbindungen zu ändern, verhielt sich das Netzwerk exakt so, wie wenn er die Anzahl der Verbindungen änderte, ohne die Stärke zu verändern. Dies deutet darauf hin, dass in diesen Arten von Zufallsnetzwerken die spezifische Form der Verbindungen weniger wichtig ist als die Gesamtmenge des durch sie fließenden Signals. Die Graphstruktur war ein Nebeneffekt der Verbindungsstärke und nicht der primäre Treiber des Verhaltens.

Diese Arbeit bietet eine neue Art, die Funktionsweise von Gehirnmodellen zu verstehen. Sie legt nahe, dass Wissenschaftler, wenn sie eine Änderung der Netzwerkaktivität nach der Anpassung eines Parameters beobachten, nicht sofort davon ausgehen sollten, dass dieser Parameter die direkte Ursache ist. Stattdessen sollten sie prüfen, ob diese Änderung tatsächlich nur eine andere Art und Weise ist, den effektiven Antrieb, die Kopplung oder das Rauschen anzupassen. Die Studie zeigt, dass für die meisten Einstellungen das Verhalten des Netzwerks durch diese wenigen effektiven Variablen bestimmt wird und die scheinbare Komplexität der Parameter eine Illusion ist, die durch die Art und Weise entsteht, wie das Modell kalibriert wird. Nur wenn das Netzwerk instabil wird und beginnt, in synchronisierten Bursts zu feuern, brechen die einfachen Regeln zusammen – ein Phänomen, das durch die Verzögerung der Signale angetrieben wird. Indem sie das Steady-State-Verhalten vom kollektiven Timing trennt, bietet die Studie ein klareres, genaueres Bild davon, wie biologische Netzwerke operieren könnten. Sie erinnert uns daran, dass in komplexen Systemen dasselbe Ergebnis aus vielen verschiedenen Ausgangspunkten entstehen kann und dass die wahren Steuerungen oft unter der Oberfläche der sichtbaren Einstellungen verborgen liegen.