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

Enunciado do Problema
Redes neurais aleatoriamente conectadas têm servido há muito tempo como um quadro teórico para estudar a dinâmica coletiva em populações neurais. No entanto, comparações quantitativas entre esses modelos mínimos e gravações experimentais em grande escala modernas têm permanecido limitadas. Uma observação central na neurociência experimental é que a atividade da população neural é frequentemente de baixa dimensão, o que significa que os padrões de disparo de muitos neurônios variam apenas em algumas maneiras coordenadas, em vez de independentemente. Embora essa baixa dimensionalidade tenha sido frequentemente interpretada como evidência de circuitos especialmente organizados e finamente ajustados, permanece uma questão em aberto se tal baixa dimensionalidade pode surgir genericamente a partir de interações recorrentes aleatórias sem ajuste fino. Trabalhos teóricos anteriores usando a Teoria de Campo Médio Dinâmico (DMFT) calcularam a dimensionalidade de redes aleatórias no limite de tempo de medição infinito e sem entradas externas. Este trabalho aborda a lacuna entre teoria e experimento determinando se uma rede aleatória minimamente estruturada pode explicar quantitativamente a baixa dimensionalidade observada em dados reais quando restrições experimentais realistas — especificamente tempo de medição finito e entradas comportamentais externas — são incorporadas.

Metodologia
Os autores empregam um modelo padrão de rede neural recorrente aleatória (Sompolinsky et al.) com $N$ neurônios, onde a matriz de acoplamento $J$ é amostrada de uma distribuição Gaussiana de média zero ($J_{ij} \sim \mathcal{N}(0, g^2/N)$). Para modelar contextos comportamentais, a rede recebe entradas externas independentes do tempo $f_i$ amostradas de uma distribuição Gaussiana de média zero com intensidade $I$. A dinâmica é governada por um modelo de taxa em tempo contínuo com uma não-linearidade $\phi(h) = \text{erf}(\sqrt{\pi}h/2)$.

A ferramenta teórica central é a Teoria de Campo Médio Dinâmico (DMFT), estendida para lidar com:

1. Entradas Externas: Decomposição da atividade em uma "resposta ordenada" ($\bar{r}$), que é a resposta média no tempo à entrada, e "caos temporal" ($\tilde{r}$), representando as flutuações residuais.
2. Tempo de Medição Finito ($T$): Derivação de expressões analíticas para estatísticas medidas sobre uma janela finita $T$, reconhecendo que a dimensionalidade medida depende da razão entre o tempo de medição e o tempo de autocorrelação do caos ($\tau_{\tilde{C}}$).
3. Análise Multi-Contexto: Uso de métodos de réplica para calcular estatísticas através de múltiplos contextos comportamentais (diferentes entradas externas) para avaliar a geometria da "nuvem" de respostas ordenadas.

Quantidades chave calculadas incluem:

• Razão de Participação (PR): Usada como uma medida linear de dimensionalidade tanto para o caos temporal quanto para respostas ordenadas.
• Similaridade de Cosseno (CS): Medindo a similaridade entre respostas ordenadas em diferentes contextos.
• Similaridade de Orientação (OS): Medindo a similaridade entre os eixos principais (elipsoides de covariância) do caos temporal entre contextos.

Contribuições e Resultados Chave

• Acordo Quantitativo com Experimentos: Os autores mostram que, quando o tempo de medição finito e entradas externas são incluídos, a dimensionalidade prevista por uma rede aleatória minimamente estruturada é quantitativamente consistente com dados experimentais do córtex motor de primatas (PMd e M1) durante tarefas de alcance. Especificamente, o modelo reproduz os valores de baixa dimensionalidade observados em experimentos para durações de medição realistas ($T \sim 1$ s) e contagens de neurônios ($N \sim 800$).
• Limitações da Dimensionalidade como Discriminador: Apesar do acordo, os autores encontram que, no regime definido pelas durações experimentais atuais, a dimensionalidade prevista é baixa e relativamente insensível aos parâmetros da rede (como ganho $g$ ou intensidade de entrada $I$). Consequentemente, medições de dimensionalidade sozinhas não podem distinguir entre uma rede aleatória minimamente estruturada e uma rede com estruturas de fiação específicas adicionais. O acordo pode simplesmente refletir a janela de medição limitada em vez da ausência de estrutura.
• Dimensionalidade Não Monotônica do Caos Temporal: A dimensionalidade de longo prazo do caos temporal ($PR_\infty$) varia de forma não monotônica com a intensidade da entrada externa. Inicialmente aumenta à medida que entradas fracas alinham flutuações com direções de alta variância do caos autônomo, depois diminui à medida que entradas fortes levam os neurônios para regiões de baixo ganho da não-linearidade, suprimindo o caos.
• Sensibilidade Diferencial das Medidas Geométricas:
  • Similaridade de Resposta Ordenada (CS): A similaridade entre respostas médias no tempo entre contextos permanece alta e satura rapidamente à medida que a intensidade da entrada aumenta, preservando a similaridade das entradas. Esta métrica é principalmente sensível a propriedades de neurônios únicos.
  • Similaridade de Orientação do Caos Temporal (OS): Em contraste, a orientação do elipsoide de flutuação (caos temporal) muda rapidamente com a intensidade da entrada. Mesmo quando as respostas ordenadas são altamente similares, as estruturas de flutuação subjacentes podem se descorrelacionar significativamente. Esta métrica é mais sensível à estrutura da rede do que a dimensionalidade.
  • Dimensionalidade Multi-Contexto: A dimensionalidade da nuvem de respostas ordenadas através de múltiplos contextos cresce sistematicamente com o número de contextos amostrados. Isso fornece uma linha de base contra a qual dados experimentais podem ser comparados para detectar desvios do modelo mínimo.

Significância
O artigo argumenta que a baixa dimensionalidade em gravações de populações neurais não deve ser tomada como evidência definitiva de estrutura de circuitos especialmente organizada. Uma rede aleatória minimamente estruturada, quando submetida a restrições experimentais realistas (tempo finito e entradas externas), produz naturalmente atividade com baixa dimensionalidade comparável às observações experimentais. Portanto, a mera observação de baixa dimensionalidade é insuficiente para inferir a presença de conectividade finamente ajustada.

Para resolver se uma rede possui estrutura além de interações aleatórias, os autores propõem que os experimentos devem ir além de contagens simples de dimensionalidade. Eles identificam quantidades geométricas específicas que fornecem testes mais fortes:

1. A dependência não monotônica da dimensionalidade do caos temporal na intensidade da entrada.
2. O decaimento rápido da similaridade de orientação (OS) entre estruturas de caos temporal em diferentes contextos comportamentais.
3. A escala da dimensionalidade multi-contexto com o número de contextos amostrados.

Desvios das previsões quantitativas da rede aleatória minimamente estruturada para essas medidas específicas indicariam a presença de organização adicional, não aleatória, na circuitaria neural subjacente. O trabalho fornece um quadro quantitativo para projetar experimentos que distinguam entre dinâmicas aleatórias genéricas e computações estruturadas.