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

Il cervello è una vasta rete di miliardi di cellule, ognuna delle quali è una minuscola unità elettrica che invia segnali ai propri vicini. Per comprendere come questo sistema massiccio produca il pensiero, la memoria e il movimento, gli scienziati spesso costruiscono modelli informatici semplificati di queste reti. Questi modelli consistono in migliaia di neuroni simulati che ricevono input, li integrano e scaricano un segnale quando il segnale diventa abbastanza forte. Regolando le impostazioni di questi modelli — come quanto siano forti le connessioni, quanto velocemente viaggiano i segoli o quanta elettricità può contenere una cellula — i ricercatori cercano di vedere come cambia il comportamento della rete. Per decenni, il modo standard per interpretare questi cambiamenti è stato quello di assumere che ogni impostazione controlli una parte specifica del comportamento della rete in modo autonomo. Se l'aumento della forza dell'inibizione fa sì che la rete scarichi meno, l'assunto è che l'inibizione sia la causa diretta. Tuttavia, questa visione tratta ogni manopola sul pannello di controllo come una leva indipendente, ignorando la possibilità che girare una manopola possa in realtà fare la stessa cosa di un'altra, solo attraverso un percorso diverso.

Uno studio recente di Luciano Gonçalves Fernandes della Washington State University mette in discussione questa interpretazione lineare. Il ricercatore ha eseguito simulazioni massicce di una rete contenente diecimila neuroni, una scala sufficientemente grande da mimare il firing complesso e irregolare tipico dei veri cervelli. Invece di limitarsi a osservare cosa accadeva quando ruotava un singolo quadrante alla volta, ha utilizzato strumenti matematici avanzati per tracciare come la rete elaborasse effettivamente le informazioni. Ha scoperto che la maggior parte degli effetti apparenti della modifica delle impostazioni del modello non erano unici per quelle specifiche impostazioni. Invece, la frequenza di scarica della rete e la regolarità del suo ritmo erano controllate da un insieme molto più piccolo di variabili "effettive" nascoste. Queste variabili descrivono la spinta totale che i neuroni ricevono, l'equilibrio delle loro connessioni interne e la temporizzazione dei loro segnali rispetto alla propria velocità. Lo studio ha scoperto che sette degli otto parametri standard che il ricercatore ha regolato erano in realtà solo modi diversi per cambiare queste stesse poche variabili nascoste. Quando il ricercatore cambiava le impostazioni in un modo che alterava queste variabili nascoste, il comportamento della rete cambiava in modo prevedibile. Ma quando cambiava le impostazioni in un modo che lasciava invariate le variabili nascoste, il comportamento della rete rimaneva esattamente lo stesso, provando che le impostazioni originali non erano controlli indipendenti ma piuttosto rotte diverse verso la stessa destinazione.

La ricerca è iniziata con un modello informatico standard di una rete cerebrale, composto da neuroni eccitatori che incoraggiano il firing e neuroni inibitori che lo sopprimono. Nel cervello reale, questi due tipi di input sono strettamente bilanciati, creando uno stato in cui i neuroni scaricano in modo irregolare, proprio come gocce di pioggia che colpiscono un tetto. Il ricercatore ha simulato questa rete utilizzando diecimila neuroni e ha variato sistematicamente otto diversi parametri fisici, come la forza delle connessioni, la velocità dei segnali e la capacità elettrica dei neuroni. Ha eseguito oltre cinquantamila simulazioni per mappare come la rete rispondesse a ogni possibile combinazione di questi cambiamenti. L'obiettivo era vedere se il comportamento della rete potesse essere predetto semplicemente guardando le impostazioni grezze, o se fosse necessaria una descrizione più profonda e astratta.

I risultati hanno rivelato un pattern sorprendente. Per la maggior parte dei parametri, la frequenza di scarica della rete e la regolarità dei suoi spike potevano essere predette perfettamente da alcune semplici quantità derivate dalle impostazioni. Queste quantità includevano la forza della spinta esterna che spinge i neuroni a scaricare, la forza netta delle connessioni tra i neuroni e il rapporto tra la velocità del segnale e la temporizzazione interna del neurone. Lo studio ha dimostrato che cambiare la densità delle connessioni, la forza dell'inibizione o la soglia di attivazione portava allo stesso cambiamento in queste quantità nascoste. Di conseguenza, la rete reagiva esattamente nello stesso modo, indipendentemente da quale manopola fisica venisse girata. Ciò significa che quello che sembrava un complesso intreccio di controlli indipendenti era in realtà un sistema molto più semplice dove molte diverse impostazioni erano solo alias per la stessa causa sottostante. Il ricercatore lo ha dimostrato mostrando che una rete con una specifica densità di connessione si comportava identicamente a una rete con una densità diversa ma con una diversa forza di inibizione, perché entrambi i setup producevano la stessa spinta e trazione effettiva sui neuroni.

Un parametro, tuttavia, si distingueva da questa regola: il ritardo sinaptico, ovvero il tempo necessario affinché un segnale viaggi da un neurone all'altro. Mentre le altre impostazioni influenzavano principalmente la frequenza media di scarica, il ritardo non aveva quasi alcun effetto sulla velocità media con cui i neuroni scaricavano. Invece, controllava la temporizzazione dell'attività del gruppo. Quando il ritardo era breve, i neuroni scaricavano in un pattern sparso e irregolare. Man mano che il ritardo aumentava, la rete passava improvvisamente a uno stato in cui l'intera popolazione scaricava in perfetto unisono, creando un ritmo sincronizzato. Questo passaggio avveniva senza cambiare la velocità media di scarica, ma solo la coordinazione del gruppo. Lo studio ha scoperto che questa transizione verso il firing sincronizzato avveniva quando il ritardo raggiungeva circa sei millisecondi, un punto in cui la stabilità della rete si interrompe e prendono il sopravvento le oscillazioni collettive. Questa scoperta evidenzia una distinzione cruciale: la velocità media della rete è determinata dalla forza degli input e delle connessioni, ma la temporizzazione e il ritmo della rete sono governati da quanto tempo impiegano i segnali a viaggiare tra le cellule.

Lo studio ha anche testato se questi risultati resistessero nel caso in cui le regole del modello venissero cambiate. In un test predefinito, il ricercatore ha alterato il modo in cui il modello veniva calibrato, cambiando essenzialmente il significato delle manopole senza cambiare la rete stessa. In uno scenario, ha mantenuto fissa la spinta esterna mentre cambiava la soglia di attivazione. Sotto le regole standard, alzare la soglia faceva sì che la rete scaricasse più velocemente, il che sembrava controintuitivo. Ma quando le regole vennero cambiate in modo che la spenza esterna non si adattasse con la soglia, alzare la soglia faceva sì che la rete scaricasse più lentamente, come ci si aspetterebbe. La teoria matematica sviluppata nello studio aveva predetto perfettamente questa inversione prima ancora che le simulazioni venissero eseguite. Ciò ha dimostrato che la direzione dell'effetto di un parametro non è una proprietà intrinseca di quel parametro, ma dipende interamente da come il sistema è impostato. La stessa manopola può aumentare o diminuire l'attività a seconda del contesto, confermando ulteriormente che i veri controlli sono le variabili effettive, non le impostazioni nominali.

I ricercatori hanno anche esaminato la struttura delle connessioni della rete. Aumentando il numero di connessioni, il grafo della rete diventava più denso e complesso. Si potrebbe presumere che fosse questo cambiamento nella forma della rete a causare il cambiamento dell'attività. Tuttavia, lo studio ha dimostrato che il cambiamento nell'attività era interamente spiegato dall'aumento della forza totale delle connessioni. Quando il ricercatore cambiava la forza delle connessioni senza cambiare il numero di collegamenti, la rete si comportava esattamente come quando cambiava il numero di collegamenti senza cambiare la forza. Ciò suggerisce che in questi tipi di reti casuali, la forma specifica delle connessioni conta meno della quantità totale di segnale che scorre attraverso di esse. La struttura del grafo era un effetto collaterale della forza di connessione, non il driver primario del comportamento.

Questo lavoro fornisce un nuovo modo per comprendere come funzionano i modelli cerebrali. Suggerisce che quando gli scienziati osservano un cambiamento nell'attività di una rete dopo aver regolato un parametro, non dovrebbero assumere immediatamente che quel parametro sia la causa diretta. Dovrebbero invece verificare se quel cambiamento sia in realtà solo un altro modo per regolare la spinta effettiva, il coupling o il rumore. Lo studio mostra che per la maggior parte delle impostazioni, il comportamento della rete è determinato da queste poche variabili effettive, e l'apparente complessità dei parametri è un'illusione creata dal modo in cui il modello viene calibrato. L'unico caso in cui le regole semplici falliscono è quando la rete diventa instabile e inizia a scaricare in burst sincronizzati, un fenomeno guidato dal ritardo dei segnali. Separando il comportamento dello stato stazionario dalla temporizzazione collettiva, lo studio offre un quadro più chiaro e accurato di come potrebbero operare le reti biologiche. Ci ricorda che in sistemi complessi, lo stesso risultato può derivare da molti punti di partenza diversi, e i veri controlli sono spesso nascosti sotto la superficie delle impostazioni che possiamo vedere.