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

Enunciato del Problema
Le reti neurali connesse in modo casuale hanno da tempo funto da quadro teorico per lo studio delle dinamiche collettive nelle popolazioni neurali. Tuttavia, i confronti quantitativi tra questi modelli minimi e le moderne registrazioni sperimentali su larga scala sono rimasti limitati. Un'osservazione centrale nelle neuroscienze sperimentali è che l'attività delle popolazioni neurali è spesso a bassa dimensionalità, il che significa che i pattern di scarica di molti neuroni variano in pochi modi coordinati piuttosto che in modo indipendente. Sebbene questa bassa dimensionalità sia stata spesso interpretata come prova di circuiti appositamente organizzati e finemente sintonizzati, rimane una questione aperta se tale bassa dimensionalità possa emergere genericamente da interazioni ricorrenti casuali senza sintonizzazione fine. Il lavoro teorico precedente, utilizzando la Teoria del Campo Medio Dinamico (DMFT), ha calcolato la dimensionalità delle reti casuali nel limite di tempo di misura infinito e senza input esterni. Questo lavoro colma il divario tra teoria e esperimento determinando se una rete casuale minimamente strutturata possa spiegare quantitativamente la bassa dimensionalità osservata nei dati reali quando vengono incorporate le limitazioni sperimentali realistiche, in particolare il tempo di misura finito e gli input comportamentali esterni.

Metodologia
Gli autori impiegano un modello standard di rete neurale ricorrente casuale (Sompolinsky et al.) con $N$ neuroni, dove la matrice di accoppiamento $J$ è campionata da una distribuzione gaussiana a media zero ($J_{ij} \sim \mathcal{N}(0, g^2/N)$). Per modellare i contesti comportamentali, la rete riceve input esterni indipendenti dal tempo $f_i$ campionati da una distribuzione gaussiana a media zero con intensità $I$. La dinamica è governata da un modello di tasso in tempo continuo con una non linearità $\phi(h) = \text{erf}(\sqrt{\pi}h/2)$.

Lo strumento teorico fondamentale è la Teoria del Campo Medio Dinamico (DMFT), estesa per gestire:

1. Input Esterni: La decomposizione dell'attività in una "risposta ordinata" ($\bar{r}$), che è la risposta mediata nel tempo all'input, e "caos temporale" ($\tilde{r}$), che rappresenta le fluttuazioni residue.
2. Tempo di Misura Finito ($T$): La derivazione di espressioni analitiche per le statistiche misurate su una finestra finita $T$, riconoscendo che la dimensionalità misurata dipende dal rapporto tra il tempo di misura e il tempo di autocorrelazione del caos ($\tau_{\tilde{C}}$).
3. Analisi Multi-Contesto: L'uso di metodi di replica per calcolare le statistiche su più contesti comportamentali (diversi input esterni) per valutare la geometria della "nuvola" di risposte ordinate.

Le quantità chiave calcolate includono:

• Rapporto di Partecipazione (PR): Utilizzato come misura lineare della dimensionalità sia per il caos temporale che per le risposte ordinate.
• Similarità del Coseno (CS): Misura la similarità tra le risposte ordinate in contesti diversi.
• Similarità di Orientamento (OS): Misura la similarità tra gli assi principali (ellissoidi di covarianza) del caos temporale tra i contesti.

Contributi e Risultati Chiave

• Accordo Quantitativo con gli Esperimenti: Gli autori mostrano che, quando vengono inclusi il tempo di misura finito e gli input esterni, la dimensionalità prevista da una rete casuale minimamente strutturata è quantitativamente coerente con i dati sperimentali provenienti dalla corteccia motoria dei primati (PMd e M1) durante compiti di raggiungimento. Nello specifico, il modello riproduce i valori di bassa dimensionalità osservati negli esperimenti per durate di misura realistiche ($T \sim 1$ s) e numeri di neuroni ($N \sim 800$).
• Limiti della Dimensionalità come Discriminatore: Nonostante l'accordo, gli autori rilevano che nel regime definito dalle attuali durate sperimentali, la dimensionalità prevista è bassa e relativamente insensibile ai parametri della rete (come il guadagno $g$ o l'intensità dell'input $I$). Di conseguenza, le misurazioni della dimensionalità da sole non possono distinguere tra una rete casuale minimamente strutturata e una rete con strutture di cablaggio specifiche aggiuntive. L'accordo potrebbe semplicemente riflettere la finestra di misura limitata piuttosto che l'assenza di struttura.
• Dimensionalità Non Monotona del Caos Temporale: La dimensionalità a lungo termine del caos temporale ($PR_\infty$) varia in modo non monotono con l'intensità dell'input esterno. Inizialmente aumenta quando input deboli allineano le fluttuazioni con le direzioni ad alta varianza del caos autonomo, per poi diminuire quando input forti spingono i neuroni in regioni a basso guadagno della non linearità, sopprimendo il caos.
• Sensibilità Differenziale delle Misure Geometriche:
  • Similarità della Risposta Ordinata (CS): La similarità tra le risposte mediate nel tempo attraverso i contesti rimane alta e satura rapidamente all'aumentare dell'intensità dell'input, preservando la similarità degli input stessi. Questa metrica è principalmente sensibile alle proprietà del singolo neurone.
  • Similarità di Orientamento del Caos Temporale (OS): Al contrario, l'orientamento dell'ellissoide di fluttuazione (caos temporale) cambia rapidamente con l'intensità dell'input. Anche quando le risposte ordinate sono altamente simili, le strutture di fluttuazione sottostanti possono decorrelarsi significativamente. Questa metrica è più sensibile alla struttura della rete rispetto alla dimensionalità.
  • Dimensionalità Multi-Contesto: La dimensionalità della nuvola di risposte ordinate attraverso più contesti cresce sistematicamente con il numero di contesti campionati. Ciò fornisce una linea di base contro cui confrontare i dati sperimentali per rilevare deviazioni dal modello minimale.

Significato
Il paper sostiene che la bassa dimensionalità nelle registrazioni di popolazioni neurali non dovrebbe essere considerata una prova definitiva di una struttura di circuiti appositamente organizzata. Una rete casuale minimamente strutturata, quando sottoposta a vincoli sperimentali realistici (tempo finito e input esterni), produce naturalmente attività con bassa dimensionalità comparabile alle osservazioni sperimentali. Pertanto, la mera osservazione di bassa dimensionalità è insufficiente per inferire la presenza di connettività finemente sintonizzata.

Per risolvere se una rete possieda una struttura oltre le interazioni casuali, gli autori propongono che gli esperimenti debbano andare oltre i semplici conteggi della dimensionalità. Identificano specifiche quantità geometriche che forniscono test più rigorosi:

1. La dipendenza non monotona della dimensionalità del caos temporale dall'intensità dell'input.
2. Il rapido decadimento della similarità di orientamento (OS) tra le strutture del caos temporale attraverso diversi contesti comportamentali.
3. La scalatura della dimensionalità multi-contesto con il numero di contesti campionati.

Le deviazioni dalle previsioni quantitative di una rete casuale minimamente strutturata per queste misure specifiche indicherebbero la presenza di un'organizzazione aggiuntiva, non casuale, nella sottostante circuiteria neurale. Il lavoro fornisce un quadro quantitativo per la progettazione di esperimenti volti a distinguere tra dinamiche casuali generiche e calcoli strutturati.