Quantifying the cost of network computations to unpack structure-function relationships in the brain

Technische Samenvatting: Kwantificering van de kosten van netwerkcomputaties om de relatie tussen structuur en functie in de hersenen te ontrafelen

Probleemstelling
Hoewel er uitgebreide inspanningen zijn geleverd om de anatomische structuur van hersennetwerken (van synaptische connectomen tot witte stof-banen) en de statistische structur van neurale activiteit te karakteriseren, blijft er een fundamentele kloof bestaan in het begrip van hoe de netwerkstructuur de computaties die een netwerk gemakkelijk kan ondersteunen, direct beperkt. Specifiek: welke activiteitspatronen zijn voor een gegeven netwerkstructuur van nature gemakkelijk te genereren, en welke zijn moeilijk? Het aanpakken hiervan vereist een algemeen kader dat de netwerkstructuur direct koppelt aan een kwantitatieve maatstaf voor de "computationele affordantie" — de mate van gemak waarmee een bepa given patroon van activiteit kan worden verkregen.

Methodologie
De auteurs stellen een kwantitatief kader voor, gebaseerd op netwerkcontroletheorie, om de kosten van computaties te definiëren en te kwantificeren.

• Definitie van Computatie: Een computatie wordt geframed als een doelgerichte transitie van netwerkactiviteit van een initiële staat ($x_0$) naar een functioneel relevante doelstaat ($x_f$), gedreven door externe inputs $u(t)$ over een tijdshorizon $T$.
• Kostenmetriek: De kosten van een computatie worden gekwantificeerd als de energie van de input die nodig is om de transitie te implementeren: $C = \int_0^T \|u(t)\|^2 dt$.
• Linearisatie en Gramiaan: Om analytische hanteerbaarheid te garanderen, wordt de netwerkdynamica gelineariseerd rond een evenwichtspunt. De minimale kosten om het netwerk naar een doelstaat te drijven, worden afgeleid als $C_{min} = D^\top W^{-1} D$, waarbij $D$ de discrepantie is tussen de doelstaat en de homogene oplossing, en $W$ het controllabiliteitsgramiaan is.
• Computationele Affordantie-landschap: Het inverse Gramiaan ($W^{-1}$) wordt gedefinieerd als het computationele affordantie-landschap. Dit landschap codeert de volledige distributie van kosten over alle mogelijke activiteitstransformaties, gevormd door zowel de interne interactiestructuur van het netwerk ($W$) als de inputstructuur ($B$).
• Eigenmode-decompositie: De kosten van het aansturen van een specifiek patroon worden geanalyseerd door het patroon te decomponeren in de eigenbasis van het Gramiaan. De kosten zijn een gewogen som van projecties op eigenmodes, waarbij het gewicht wordt bepaald door de eigenwaarden van het landschap.

Belangrijkste Bijdragen en Resultaten
Het kader wordt toegepast op drie verschillende schalen om de bruikbaarheid ervan te valideren voor het koppelen van structuur aan functie:

1. Drosophila Koprichtingscircuit (Microschaal):

   • Het kader werd toegepast op een ring-attractor model van het koprichtingscircuit van de fruitvlieg.
   • Resultaat: De analyse onthulde een enkele mode in het affordantie-landschap die aanzienlijk lager in kosten was dan alle andere. Deze mode met de laagste kosten kwam exact overeen met de afgeleide van de activiteitsbump met betrekking tot de koprichtingshoek.
   • Implicatie: De energetisch goedkoopste computatie van het netwerk is precies zijn bekende biologische functie: het bijwerken van de koprichting-representatie. Bovendien voorspelde het kader de optimale inputstructuur (toename van input vóór de bump, afname erachter), wat overeenkomt met bekende anatomische inputs van shift-neuronen.

2. Menselijke Connectomen (Macroschaal):

   • Structurele connectiviteitsdata van 100 subjecten uit de Human Connectome Project (HCP) werden geanalyseerd over 7 canonieke functionele netwerken.
   • Resultaat: De heterogeniteit van het affordantie-landschap (gemeten aan de hand van de interkwartielafstand van de eigenwaarden) varieert systematisch langs de sensorimotorische-associatieve (S-A) as.
     • Sensorische Netwerken: Vertonen zeer heterogene landschappen, wat aangeeft dat sommige modi veel duurder zijn dan andere. Dit suggereert specialisatie voor een specifieke set computaties (bijv. het filteren en verfijnen van sensorische informatie).
     • Associatieve Netwerken: Vertonen meer homogene landschappen, wat wijst op uniforme toegang tot een breder scala aan activiteitstoestanden, consistent met flexibele, domein-generieke verwerking.
   • Ruimtelijke Symmetrie: De studie vond ook dat bilateraal symmetrische activiteitspatronen consequent lager in kosten zijn over alle netwerken, wat overeenkomt met neuroimaging-observaties van bilaterale activatie.

3. Artificiële Recurrente Neurale Netwerken (RNN's):

   • RNN's die getraind zijn op besluitvormingstaken werden geanalyseerd om te observeren hoe leren het affordantie-landschap vormgeeft.
   • Resultaat: Vóór de training waren de eigenwaarden van het landschap strak geclusterd (homogeen). Naarmate de training vorderde, breedde de distributie van kosten zich monotoon uit, waardoor er onderscheidende laag-kosten en hoog-kosten modi ontstonden.
   • Implicatie: Doelgerichte leerprocessen "beeldhouwen" het affordantie-landschap actief door de heterogeniteit te vergroten om de specifieke computaties te bevoordelen die vereist zijn voor de taak.

Betekenis en Claims
Dit artikel vestigt een kwantitatief kader dat de relatie tussen netwerkstructuur en computationele functie concreet en hanteerbaar maakt. Door een computationeel affordantie-landschap te definiëren, laten de auteurs zien dat:

• Netwerkstructuur intrinsiek bepaalde computaties bevoordeelt (lage kosten) terwijl het andere computaties bestraft (hoge kosten).
• Dit kader slaagt erin bekende biologische functies te herstellen (bijv. in de kompasfunctie van de vlieg) en noodzakelijke inputstructuren te voorspellen zonder voorafgaande kennis van de specifieke taak.
• In de menselijke hersenen worden de structurele verschillen tussen sensorische en associatieve netwerken weerspiegeld in de topologie van hun computationele affordanties, wat een mechanistische verklaring biedt voor hun uiteenlopende functionele rollen.
• Leren in neurale systemen kan worden gezien als het actieve herformuleren van dit landschap om te optimaliseren voor specifieke doelen.

De auteurs merken op dat hoewel de huidige implementatie steunt op linearisatie rond vaste punten (wat analytisch oplosbaar is), het kader ook toepasbaar is op niet-lineaire systemen door de Jacobiaan lokaal te schatten. Ze concluderen dat deze benadering een fundamenteel venster biedt op hoe netwerkstructuur de computationele functie vormgeeft, met potentiële toepassingen voor andere biologische en fysieke netwerken waar functie voortvloeit uit structuur.