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

Enunciado del Problema
Las redes neuronales conectadas aleatoriamente han servido durante mucho tiempo como un marco teórico para estudiar la dinámica colectiva en poblaciones neuronales. Sin embargo, las comparaciones cuantitativas entre estos modelos mínimos y las grabaciones experimentales a gran escala modernas han permanecido limitadas. Una observación central en la neurociencia experimental es que la actividad de la población neuronal es a menudo de baja dimensión, lo que significa que los patrones de disparo de muchas neuronas varían solo de unas pocas maneras coordinadas en lugar de hacerlo de forma independiente. Si bien esta baja dimensionalidad ha sido interpretada a menudo como evidencia de circuitos especialmente organizados y finamente ajustados, sigue siendo una pregunta abierta si dicha baja dimensionalidad puede surgir genéricamente de interacciones recurrentes aleatorias sin ajuste fino. El trabajo teórico anterior utilizando la Teoría de Campo Medio Dinámico (DMFT) calculó la dimensionalidad de las redes aleatorias en el límite de tiempo de medición infinito y sin entradas externas. Este trabajo aborda la brecha entre la teoría y el experimento determinando si una red aleatoria mínimamente estructurada puede explicar cuantitativamente la baja dimensionalidad observada en datos reales cuando se incorporan restricciones experimentales realistas, específicamente tiempo de medición finito y entradas conductuales externas.

Metodología
Los autores emplean un modelo estándar de red neuronal recurrente aleatoria (Sompolinsky et al.) con $N$ neuronas, donde la matriz de acoplamiento $J$ se muestrea de una distribución gaussiana de media cero ($J_{ij} \sim \mathcal{N}(0, g^2/N)$). Para modelar contextos conductuales, la red recibe entradas externas independientes del tiempo $f_i$ muestreadas de una distribución gaussiana de media cero con intensidad $I$. La dinámica está gobernada por un modelo de tasa en tiempo continuo con una no linealidad $\phi(h) = \text{erf}(\sqrt{\pi}h/2)$.

La herramienta teórica central es la Teoría de Campo Medio Dinámico (DMFT), extendida para manejar:

1. Entradas Externas: Descomponer la actividad en una "respuesta ordenada" ($\bar{r}$), que es la respuesta promediada en el tiempo a la entrada, y "caos temporal" ($\tilde{r}$), que representa las fluctuaciones residuales.
2. Tiempo de Medición Finito ($T$): Derivar expresiones analíticas para las estadísticas medidas sobre una ventana finita $T$, reconociendo que la dimensionalidad medida depende de la relación entre el tiempo de medición y el tiempo de autocorrelación del caos ($\tau_{\tilde{C}}$).
3. Análisis Multi-Contexto: Utilizar métodos de réplica para calcular estadísticas a través de múltiples contextos conductuales (diferentes entradas externas) para evaluar la geometría de la "nube" de respuestas ordenadas.

Las cantidades clave calculadas incluyen:

• Relación de Participación (PR): Utilizada como una medida lineal de dimensionalidad tanto para el caos temporal como para las respuestas ordenadas.
• Similitud del Coseno (CS): Midiendo la similitud entre las respuestas ordenadas a través de diferentes contextos.
• Similitud de Orientación (OS): Midiendo la similitud entre los ejes principales (elipsoides de covarianza) del caos temporal a través de contextos.

Contribuciones y Resultados Clave

• Acuerdo Cuantitativo con Experimentos: Los autores muestran que cuando se incluyen el tiempo de medición finito y las entradas externas, la dimensionalidad predicha por una red aleatoria mínimamente estructurada es cuantitativamente consistente con datos experimentales de la corteza motora de primates (PMd y M1) durante tareas de alcance. Específicamente, el modelo reproduce los valores de baja dimensionalidad observados en experimentos para duraciones de medición realistas ($T \sim 1$ s) y conteos de neuronas ($N \sim 800$).
• Limitaciones de la Dimensionalidad como Discriminador: A pesar del acuerdo, los autores encuentran que en el régimen definido por las duraciones experimentales actuales, la dimensionalidad predicha es baja y relativamente insensible a los parámetros de la red (como la ganancia $g$ o la intensidad de entrada $I$). En consecuencia, las mediciones de dimensionalidad por sí solas no pueden distinguir entre una red aleatoria mínimamente estructurada y una red con estructuras de cableado específicas adicionales. El acuerdo puede reflejar simplemente la ventana de medición limitada en lugar de la ausencia de estructura.
• Dimensionalidad No Monótona del Caos Temporal: La dimensionalidad a largo plazo del caos temporal ($PR_\infty$) varía de manera no monótona con la intensidad de la entrada externa. Inicialmente aumenta a medida que las entradas débiles alinean las fluctuaciones con direcciones de alta varianza del caos autónomo, y luego disminuye a medida que las entradas fuertes impulsan a las neuronas hacia regiones de baja ganancia de la no linealidad, suprimiendo el caos.
• Sensibilidad Diferencial de las Medidas Geométricas:
  • Similitud de Respuesta Ordenada (CS): La similitud entre las respuestas promediadas en el tiempo a través de contextos permanece alta y se satura rápidamente a medida que aumenta la intensidad de la entrada, preservando la similitud de las entradas. Esta métrica es principalmente sensible a las propiedades de una sola neurona.
  • Similitud de Orientación del Caos Temporal (OS): En contraste, la orientación del elipsoide de fluctuación (caos temporal) cambia rápidamente con la intensidad de la entrada. Incluso cuando las respuestas ordenadas son altamente similares, las estructuras de fluctuación subyacentes pueden descorrelacionarse significativamente. Esta métrica es más sensible a la estructura de la red que la dimensionalidad.
  • Dimensionalidad Multi-Contexto: La dimensionalidad de la nube de respuestas ordenadas a través de múltiples contextos crece sistemáticamente con el número de contextos muestreados. Esto proporciona una línea base contra la cual se pueden comparar los datos experimentales para detectar desviaciones del modelo mínimo.

Significado
El artículo argumenta que la baja dimensionalidad en las grabaciones de poblaciones neuronales no debe tomarse como evidencia definitiva de una estructura de circuitos especialmente organizada. Una red aleatoria mínimamente estructurada, cuando se somete a restricciones experimentales realistas (tiempo finito e entradas externas), produce naturalmente actividad con baja dimensionalidad comparable a las observaciones experimentales. Por lo tanto, la mera observación de baja dimensionalidad es insuficiente para inferir la presencia de conectividad finamente ajustada.

Para resolver si una red posee estructura más allá de las interacciones aleatorias, los autores proponen que los experimentos deben ir más allá de los conteos simples de dimensionalidad. Identifican cantidades geométricas específicas que proporcionan pruebas más sólidas:

1. La dependencia no monótona de la dimensionalidad del caos temporal con la intensidad de la entrada.
2. El decaimiento rápido de la similitud de orientación (OS) entre las estructuras del caos temporal a través de diferentes contextos conductuales.
3. La escala de la dimensionalidad multi-contexto con el número de contextos muestreados.

Las desviaciones de las predicciones cuantitativas de la red aleatoria mínimamente estructurada para estas medidas específicas indicarían la presencia de organización adicional, no aleatoria, en la circuitría neuronal subyacente. El trabajo proporciona un marco cuantitativo para diseñar experimentos que distingan entre dinámicas aleatorias genéricas y computaciones estructuradas.