Phenomenological renormalization group in neuronal models near criticality

Technische Samenvatting: De Fenomenologische Renormalatiegroep in Neurale Modellen Nabij Kritikaliteit

Probleemstelling
De fenomenologische renormalatiegroep (PRG) is een prominent instrument geworden voor het identificeren van schaalinvariante fenomenen en kritisch gedrag in neurale data, wat de "kritische hersenhypothese" ondersteunt. Er bestaat echter een aanzienlijke kloof in het begrijpen van de betrouwbaarheid van PRG-signaturen: het is onduidelijk hoe dicht een systeem bij een kritiek punt moet liggen voor deze signatures te verschijnen, of dat ze artefacten zijn van datapreprocessing. Met name de afhankelijkheid van PRG-resultaten van de keuze voor de tijd-binning (tijdssegmentatie) is niet systematisch onderzocht over verschillende dynamische fasen (subkritisch, kritisch en superkritisch) heen. Eerdere toepassingen op canonieke modellen (bijv. het contactproces, het Ising-model) misten cruciale biologische kenmerken zoals inhibitie, wat vergelijking met echte neurale data bemoeilijkt.

Methodologie
De auteurs onderzoeken de robuustheid van PRG door het toe te passen op twee neurale modellen met exact bekende kritieke punten, die beide behoren tot de mean-field directed percolation (MF-DP) universaliteitsklasse:

1. Excitable Cellular Automaton: Een spiking-model op een random netwerk waarbij de controleparameter de vertakkingsratio ($\sigma$) is.
2. Stochastisch Integrate-and-Fire (I&F) Netwerk: Een netwerk met exciterende en inhibitoire neuronen waarbij de controleparameter de inhibitie-tot-excitatie koppeling verhouding ($g$) is.

De studie maakt gebruik van twee PRG coarse-graining benaderingen:

• Momentum-ruimte: Gebruikt het eigenwaardespectrum van de covariantie-matrix om data te projecteren in progressief grovere representaties. De afwijking van Gaussianiteit in de distributie van de coarse-grained variabelen ($\psi$) wordt gemeten met behulp van Kurtosis ($\kappa$) en de Kullback-Leibler (KL) divergentie.
• Real-space: Koppelt iteratief de meest gecorreleerde neuronen om clusters te vormen, waarbij de schaling van de intra-cluster gemiddelde variantie ($M^2 \propto C_{size}^\alpha$) wordt geanalyseerd.

Cruciaal is dat de auteurs de tijd-binning grootte ($\Delta t$) systematisch variëren en een data-gestuurde adaptieve binning strategie introduceren. In plaats van een vaste $\Delta t$, wordt de bin-grootte ingesteld als proportioneel aan het gemiddelde interspike-interval ($\langle ISI \rangle$) van het netwerk ($\Delta t = f \cdot \langle ISI \rangle$). Dit zorgt ervoor dat de actieve bin-densiteit ($\rho_{bin}$) stabiel blijft over verschillende dynamische fasen. Surrogaatdata, gegenereerd door interspike-intervallen te husselen om correlaties te vernietigen, dient als controle.

Belangrijkste Resultaten

1. Tijdschaal-mismatch creëert spooksignaturen: Wanneer vaste tijd-bins worden gebruikt, levert de PRG-methode misleidende resultaten op.

   • In het subkritische regime resulteren kleine bins in schaarse data (voornst nullen), wat de coarse-grained distributie doet pieken bij nul en de kurtosis kunstmatig opblaast, waardoor het kritikaliteit nabootst.
   • In het superkritische regime leiden grote bins tot verzadiging (voornst enen), wat eveneens een gepiekte distributie en valse schalingssignatures produceert.
   • Geen enkele vaste bin-grootte kan beide fasen accommoderen zonder artefacten te genereren.

2. Adaptieve Binning Onthult Echte Kritikaliteit: Door de adaptieve binning strategie te gebruiken ($\Delta t \propto \langle ISI \rangle$), demonstreren de auteurs dat PRG-signatures van kritikaliteit (niet-Gaussische distributies en niet-triviale schalingsexponenten) alleen verschijnen binnen een nauwe nabijheid van het kritieke punt.

   • De KL-divergentie tussen de coarse-grained distributie en een Gaussische distributie piekt scherp bij het kritieke punt en daalt naar bijna nul in de subkritische en superkritische fasen.
   • De real-space schalingsexponent $\alpha$ transformeert van de ongecorreleerde baseline ($\alpha=1$) naar een niet-triviaal regime ($1 < \alpha < 2$) alleen nabij kritikaliteit.
   • Deze resultaten zijn robuust over een reeks schalingsfactoren ($f$), mits de binning een stabiele actieve densiteit behoudt.

3. Model Validatie: De inclusie van inhibitie in het stochastische I&F-model levert nog duidelijkere kritieke signatures op, wat de relevantie van deze bevindingen voor biologische systemen versterkt. De resultaten blijven standhouden, zelfs onder zware subsampling (het simuleren van beperkte experimentele observeerbaarheid).

Betekenis en Claims
Dit artikel biedt de eerste systematische computationele validatie dat PRG-signatures van schaalinvariantie betrouwbare indicatoren zijn van de nabijheid van een kritiek punt, mits de datapreprocessing (specifiek de tijd-binning) correct wordt afgehandeld.

• Versterking van Experimentele Interpretaties: De bevinding dat schalingsgedrag beperkt is tot een nauw venster rond het kritieke punt, versterkt de interpretaties die worden getrokken uit PRG-analyses van experimentele neurale data, wat suggereert dat waargenomen signatures waarschijnlijk echte kritische dynamica reflecteren in plaats van methodologische artefacten.
• Methodologische Correctie: De studie benadrukt dat ongepaste tijd-binning valse signatures kan introduceren. De voorgestelde adaptieve binning procedure biedt een praktische oplossing om dit probleem te omzeilen, waardoor wordt gewaarborgd dat PRG-resultaten de intrinsieke dynamica van het systeem reflecteren in plaats van de willekeurige keuze van $\Delta t$.
• Reikwijdte: De auteurs concluderen dat hoewel PRG een krachtige sonde is, de toepassing ervan zorgvuldige aandacht vereist voor de tijdschalen van de onderliggende dynamica om genuanceerde kritikaliteit te onderscheiden van triviaal gedrag.