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

問題の提示
ランダムに結合された神経ネットワークは、神経集団の集団ダイナミクスを研究するための理論的枠組みとして長らく用いられてきた。しかし、これらの最小モデルと現代の大規模実験記録との間の定量的比較は、依然として限定的であった。実験神経科学における中心的な観察は、神経集団の活動がしばしば低次元であるという事実であり、すなわち、多数のニューロンの発火パターンが独立して変化するのではなく、わずかな協調的な方法で変化するということである。この低次元性は、しばしば特別に組織化され、微調整された回路の証拠として解釈されてきたが、そのような低次元性が微調整なしにランダムな再帰的相互作用から一般的に生じうるかどうかは、未解決の問題である。ダイナミカル・メーンフィールド理論（DMFT）を用いた以前の理論的研究は、無限の測定時間と外部入力なしの極限において、ランダムネットワークの次元を計算した。本研究は、有限の測定時間や外部行動入力といった現実的な実験制約を考慮した場合に、最小限に構造化されたランダムネットワークが、実データで観察される低次元性を定量的に説明しうるかどうかを明らかにすることにより、理論と実験の間のギャップに対処する。

手法
著者は、$N$ 個のニューロンを持つ標準的なランダム再帰神経ネットワークモデル（Sompolinsky ら）を採用する。ここで、結合行列 $J$ は平均ゼロのガウス分布からサンプリングされる（$J_{ij} \sim \mathcal{N}(0, g^2/N)$）。行動的文脈をモデル化するため、ネットワークは強度 $I$ を持つ平均ゼロのガウス分布からサンプリングされた時間非依存の外部入力 $f_i$ を受け取る。ダイナミクスは、非線形性 $\phi(h) = \text{erf}(\sqrt{\pi}h/2)$ を持つ連続時間レートモデルによって支配される。

核心的な理論的ツールは、以下の処理を拡張したダイナミカル・メーンフィールド理論（DMFT）である：

1. 外部入力: 活動を、入力に対する時間平均応答である「順序化された応答（$\bar{r}$）」と、残りの変動を表す「時間的カオス（$\tilde{r}$）」に分解する。
2. 有限の測定時間（$T$）: 有限のウィンドウ $T$ 内で測定される統計量に対する解析式を導出し、測定された次元がカオスの自己相関時間（$\tau_{\tilde{C}}$）に対する測定時間の比率に依存することを認める。
3. 多文脈分析: 複数の行動的文脈（異なる外部入力）にわたる統計量を計算するためにレプリカ法を用い、「順序化された応答の雲」の幾何学を評価する。

計算された主要な量には以下が含まれる：

• 参加比（PR）: 時間的カオスと順序化された応答の両方に対する次元性の線形指標として使用される。
• コサイン類似度（CS）: 異なる文脈における順序化された応答間の類似性を測定する。
• 向き類似度（OS）: 異なる文脈における時間的カオスの主軸（共分散楕円体）間の類似性を測定する。

主要な貢献と結果

• 実験との定量的一致: 著者は、有限の測定時間と外部入力が含まれる場合、最小限に構造化されたランダムネットワークによって予測される次元性が、到達タスク中の霊長類の運動野（PMd および M1）からの実験データと定量的に一致することを示す。具体的には、このモデルは、現実的な測定期間（$T \sim 1$ 秒）とニューロン数（$N \sim 800$）において、実験で観察された低次元性値を再現する。
• 区別因子としての次元性の限界: 一致にもかかわらず、著者は、現在の実験期間によって定義される領域において、予測される次元性は低く、ネットワークパラメータ（ゲイン $g$ や入力強度 $I$ など）に対して比較的鈍感であることを発見する。したがって、次元性の測定のみでは、最小限に構造化されたランダムネットワークと、追加の特定の配線構造を持つネットワークを区別することはできない。この一致は、単に構造化の欠如ではなく、限られた測定ウィンドウを反映している可能性がある。
• 時間的カオスの非単調な次元性: 時間的カオスの長時間次元性（$PR_\infty$）は、外部入力強度に対して非単調に変化する。それは、弱い入力が変動を自律的カオスの高分散方向に整列させるにつれて最初に増加し、その後、強い入力がニューロンを非線形性の低ゲイン領域に駆動してカオスを抑制するにつれて減少する。
• 幾何学的測度の異なる感度:
  • 順序化された応答の類似性（CS）: 文脈にわたる時間平均応答間の類似性は高く保たれ、入力強度の増加とともに急速に飽和し、入力の類似性を保持する。この指標は主に単一ニューロンの特性に敏感である。
  • 時間的カオスの向き類似度（OS）: 対照的に、変動楕円体（時間的カオス）の向きは入力強度とともに急速に変化する。順序化された応答が非常に類似していても、基礎となる変動構造は著しく相関を失う可能性がある。この指標は次元性よりもネットワーク構造に対してより敏感である。
  • 多文脈次元性: 複数の文脈にわたる順序化された応答の雲の次元性は、サンプリングされた文脈の数とともに体系的に増加する。これは、実験データを最小モデルからの逸脱を検出するために比較するための基準を提供する。

意義
本論文は、神経集団記録における低次元性が、特別に組織化された回路構造の決定的な証拠として取り扱われるべきではないと主張する。最小限に構造化されたランダムネットワークは、現実的な実験制約（有限時間と外部入力）にさらされた場合、実験観察と同等の低次元性を持つ活動を自然に生み出す。したがって、低次元性の単なる観察だけでは、微調整された結合の存在を推論するには不十分である。

ネットワークがランダムな相互作用を超えて構造を有するかどうかを解決するために、著者は実験が単純な次元数のカウントを超えて進める必要があると提案する。彼らは、より強力なテストを提供する特定の幾何学的量を特定する：

1. 入力強度に対する時間的カオスの次元性の非単調な依存性。
2. 異なる行動的文脈にわたる時間的カオス構造間の向き類似度（OS）の急速な減衰。
3. サンプリングされた文脈の数に対する多文脈次元性のスケーリング。

これらの特定の測度に対する最小限に構造化されたランダムネットワークの定量的予測からの逸脱は、基礎となる神経回路における追加の非ランダムな組織の存在を示すことになる。この研究は、一般的なランダムダイナミクスと構造化された計算を区別するための実験を設計するための定量的枠組みを提供する。