由共同噪声刺激的两阶段脉冲神经元群体的波动-响应关系

《Biological Cybernetics》:Fluctuation-response relations for a two-stage population of spiking neurons stimulated by common noise

【字体: 大 中 小 】 时间:2026年04月30日 来源:Biological Cybernetics 1.6

编辑推荐:

  摘要:最近提出了一种方法,通过波动-响应关系(FRRs)将自发神经元活动的测量与单个神经元对刺激的平均响应的测量联系起来,适用于某些积分-放电(IF)类型的神经元模型。在这项工作中,我们将这种方法扩展到神经元群体,关联它们的自发相关性和线性响应统计特性。为此,我们分析了由IF神经

  摘要:最近提出了一种方法,通过波动-响应关系(FRRs)将自发神经元活动的测量与单个神经元对刺激的平均响应的测量联系起来,适用于某些积分-放电(IF)类型的神经元模型。在这项工作中,我们将这种方法扩展到神经元群体,关联它们的自发相关性和线性响应统计特性。为此,我们分析了由IF神经元(处理的第一阶段)建模的解耦细胞的简单情况,这些神经元接收共同的随机输入,并将它们的输出脉冲列投射到一个读出神经元(处理的第二阶段)。我们推导并验证了FRRs,将单个神经元的响应与神经元之间的互相关联起来,以及整个系统对跨阶段相关性的响应。此外,我们利用这些FRRs来推导第二阶段细胞(部分同步输出PSO)的所有跨阶段交叉谱的近似值。最后,我们讨论了如何将我们的结果扩展到更复杂的网络设置和神经元模型。

1 引言
随机神经元模型长期以来在描述神经元活动的各个方面方面取得了成功(Holden 1976; Tuckwell 1989; Fourcaud and Brunel 2002; Burkitt 2006; Gerstner et al. 2014)。它们通过数值模拟,有时通过分析计算,捕捉动作电位时间的某些统计特性。特别重要且易于理解的是:(i)神经元的自发放电,其特征是平均放电率和脉冲列的相关函数;(ii)当细胞被信号刺激时,神经元的系统响应,表现为放电率的调制。在统计物理学中,响应和自发波动的统计特性,更具体地说,是响应函数的傅里叶变换(易感性)和功率谱(自发相关函数的傅里叶变换),通过热力学平衡状态下的波动-耗散定理(FDT)联系起来(Landau and Lifschitz 1971),在某些情况下更恰当地称为波动-响应关系(FRR)。然而,神经元的运作远非处于热力学平衡状态,因此标准FDT不能应用于神经细胞。此外,现代对一些非平衡状态的推广(Agarwal 1972; H?nggi and Thomas 1982; Prost et al. 2009; Gomez-Solano et al. 2009; Engbring et al. 2023),这些推广已经通过胶体系统和其他非平衡状态的多粒子系统得到了实验验证(Mehl et al. 2010; Dinis et al. 2012),不幸的是,它们并不适用于脉冲神经元,因为它们不是以脉冲列和放电率为基本观测量来表述的。直到最近,才开发出一种方法来为IF神经元模型推导FRRs,并将其应用于不同的标准类型模型,如漏电IF模型、指数IF模型、具有适应性的模型和带有色高斯噪声的模型(Lindner 2022)(另见Klett and Lindner 2025对某些组合的研究)、具有不应期的IF模型(Puttkammer and Lindner 2024)以及具有泊松射击噪声的模型(Stubenrauch and Lindner 2024)。在大多数情况下,得到的关系具有相似的简单形式。因此,FRRs的研究迄今为止仅限于单个随机神经元。

当然,大多数神经元在大型网络中与其他许多单元一起运作,近年来在并行记录许多神经元的活动方面也取得了许多进展,例如通过多阵列(Spira and Hai 2013)或钙成像(Kerr and Denk 2008)。因此,即使在这种情况下,我们也可以记录或模拟多个细胞,它们之间的自发和响应统计特性也很有趣。此外,更大空间尺度上的统计特性,如局部场电位或群体率,也是由许多细胞的组合活动的函数或泛函(过滤版本)给出的。当然,对于这些统计特性,自发相关函数与对感觉信号的系统响应之间的关系也很有趣。实际上,从不同的建模层次出发,已经尝试在这样的更粗粒度层次上推导出类似波动-耗散的关系(Sarracino et al. 2020; Nandi et al. 2023; Deco et al. 2023; Patow et al. 2024)。

大规模的神经元网络显示出巨大的信息处理能力。特别是神经元的同步活动可能编码了重要信息,大脑皮层中的神经元可能被调谐以检测同步输入(K?nig et al. 1996)。因此,在研究神经元网络中的信息处理时,我们特别关注可以通过群体层面测量获得的同步活动。在这项工作中,我们为一组脉冲积分-放电神经元推导出了一些FRRs,在一个相对简单的情况下:这些神经元没有耦合,但它们的统计特性仍然具有集体维度,因为它们受到共同噪声的驱动。我们推导出的方程是精确的,将自发脉冲列的交叉谱和功率谱以及所考虑神经元的电压变量与它们的响应函数联系起来;我们通过与数值模拟的比较来证明FRRs的有效性。我们还研究了整个群体的联合活动的非线性函数,即部分同步输出(PSO),它可以被解释为接收群体输出并作为 coincidence 检测器的读出神经元的脉冲活动(Bostner et al. 2020)。

我们的论文结构如下。第2节介绍了模型和感兴趣的统计特性。第3节我们推导了第一阶段群体内单个神经元的易感性和交叉谱之间的FRRs,而在第4节中,我们推导了PSO(我们用于第二阶段读出神经元的代理)的易感性和其与单个神经元的交叉谱之间的FRRs。第5节我们找到了单个神经元可观测量与PSO的交叉谱的近似值,使我们的结果更具适用性。第6节我们讨论了将该方法进一步扩展到更复杂网络设置的可能性。

2 模型和测量
我们考虑了一个两阶段的神经信息处理模型(见图1),包括一个受到噪声和时间依赖性刺激的第一阶段解耦脉冲神经元群体,以及一个只有在接收到来自第一群体的高度同步活动时才会放电的第二阶段神经元。

图1
此图像的替代文本可能是使用AI生成的。
完整尺寸图像
信息通过两个阶段的传输模型:个体噪声以及共同噪声和共同信号(左)作用于第一阶段群体的脉冲神经元(中间)。然后,这些脉冲列被传递给第二阶段细胞,一个只对第一群体的同步脉冲序列做出响应的 coincidence 检测器。在这项工作中,第二阶段细胞的输出被近似为部分同步输出(PSO),用于测量第一阶段群体的瞬时同步性。

对于两阶段神经群体的第一阶段,我们考虑了一个由N个解耦的漏电积分-放电(LIF)神经元组成的均匀群体。每个神经元接收个体白高斯噪声\(\xi _k(t)\)以及所有神经元共有的白高斯噪声\(\xi (t)\)和输入刺激s(t)。为了确保每个神经元都受到总噪声D的驱动,引入了噪声过程的因子\(\sqrt{2D(1-c)}\)和\(\sqrt{2Dc}\),其中\(c\in [0,1]\)。因此,描述群体中第k个神经元电压动态的朗之万方程为
$$\begin{aligned} \dot{v}_k(t) = \mu - v_k(t) + \sqrt{2D(1-c)}\xi _k(t) + \sqrt{2Dc}\xi (t) + s(t). \end{aligned}$$
(1)
这由通常的放电-重置规则补充:当电压\(v_k(t)\)达到阈值\(v_T\)时,它被重置为\(v_R\)。在重置时刻\(t_{k,i}\),记录一个脉冲,第k个神经元的脉冲列由这些脉冲时间定义
$$\begin{aligned} x_k(t) = \sum _i\delta (t-t_{k,i}). \end{aligned}$$
(2)
对于\(c=0\),所有神经元的动态是完全独立的,而对于\(c=1\)(以及任何非零噪声强度D),即使起始电压不同,所有神经元最终也会接近相同的电压轨迹和脉冲列。

对于第二阶段,我们考虑一个单一的 coincidence 检测器细胞,它接收第一阶段群体的活动A(t)作为输入。该活动表示为通过某种突触滤波器\(\mathcal {F}\)过滤后的脉冲列\(x_k\)的总和
$$\begin{aligned} A(t) = \frac{1}{N}\sum _{k=1}^N \mathcal {F}*x_k (t). \end{aligned}$$
(3)
这里,星号\(*\)表示卷积。这个 coincidence 检测器细胞Y[A; t]是活动的函数,因此是第一阶段所有脉冲列的函数。这种函数依赖性的确切形式和突触滤波仅对近似跨阶段统计特性很重要。然而,它不会影响最终FRR的形式。 coincidence 检测器神经元的一个可能选择是具有强泄漏和高阈值的单个IF神经元(需要同时到达一定数量的突触前脉冲才能使神经元放电)。这与突触前细胞的脉冲群体一起带来了一些数学上的困难。一个更易于处理的模型是上述的部分同步输出(PSO)(Kruscha and Lindner 2016),定义为
$$\begin{aligned} Y_{\gamma ,\Delta }(t) = \Theta \left( A_\Delta (t)-\gamma +\frac{1}{2N}\right) , \end{aligned}$$
(4)
其中\(A_\Delta \)是带有突触滤波器\(A_\Delta (t)=\mathcal {B}_\Delta (t) = \Theta (t)\Theta (\Delta -t)\)的形式的活动。

如果突触前群体中有一定比例的\(\gamma \)神经元放电——假设时间窗口足够短,以至于每个神经元最多只放电一次——则PSO是活跃的。这种活动特别是在高阈值\(\gamma > r_0\Delta \)时表明了同步性。Bostner等人(2020)证明,PSO的谱统计特性和信息流与具有适当选择的泄漏和阈值的 coincidence 检测器IF神经元非常相似。我们注意到,所考虑的简单设置(一组解耦细胞刺激一个 coincidence 检测器神经元)在几种感觉模式中具有相关性,例如在人类的听觉螺旋神经节细胞(Carricondo and Romero-Gómez 2019; Kandel et al. 2000)或弱电鱼的电感觉系统中(Maler 2009)。

我们将区分系统的自发活动和驱动活动。在第一种情况下,我们将外部信号设置为零(\(s(t)=0\)),但仍包括塑造神经元之间相关性的共同噪声。尽管共同噪声和共同信号乍看之下可能相似(特别是当使用宽带、类似噪声的刺激s(t)时),但最大的区别在于我们假设信号是已知的,因此可以研究输入-输出相关性和信号到脉冲列的信息传递,而共同噪声是未知的。在自发放电的情况下(\(s(t)=0\)),我们只能计算系统可观测量(模型的膜电压和脉冲列)之间的统计特性。为了描述自发波动,我们将在模拟中计算和测量涉及的随机过程的各种功率谱和交叉谱。对于两个平稳的随机过程U(t)和V(t),我们通过以下方式计算它们的功率谱和交叉谱:
$$\begin{aligned} S_{UU}(\omega )&= \lim _{T\rightarrow \infty }\frac{\langle \tilde{U}_T(\omega )\tilde{U}_T^*(\omega )\rangle }{T},\end{aligned}$$ (5a)
$$\begin{aligned} S_{UV}(\omega )&= \lim _{T\rightarrow \infty }\frac{\langle \tilde{U}_T(\omega )\tilde{V}_T^*(\omega )\rangle }{T}, \end{aligned}$$ (5b)
其中括号 \(\langle \rangle \) 表示集合平均,星号 * 表示复共轭,\(\tilde{U}_T\) 表示通过以下方式给出的有限时间傅里叶变换:
$$\begin{aligned} \tilde{U}_T(\omega ) = \int _{-T/2}^{T/2}{U(t)e^{i\omega t}dt}. \end{aligned}$$ (6)
对于白高斯噪声过程,以下关系成立:
$$\begin{aligned} S_{\xi _j\xi _k}(\omega ) = \delta _{jk}, S_{\xi \xi }(\omega ) = 1, S_{\xi _j\xi }(\omega ) = 0 \end{aligned}$$ (7)
为了描述驱动系统对弱刺激 s(t) 的响应,我们使用线性响应理论。单个神经元的放电率 \(r_k(t)=\left\langle x_k(t) \right\rangle \) 或者更一般地,系统的任何平均可观测量 \(\left\langle Z(t) \right\rangle \) 将是注入刺激的函数。假设这个函数可以通过Volterra级数展开,可以忽略高阶项,任何平均系统量的响应可以近似为:
$$\begin{aligned} \langle Z\rangle [s;t] \approx \langle Z\rangle [s=0;t] +\int _{-\infty }^t{K_Z(t-t')s(t')dt'}, \end{aligned}$$ (8)
其中 \(K_Z(t)\) 是可观测量 Z(t) 对于当前刺激的线性响应函数。通过傅里叶变换可以简化这个方程:
$$\begin{aligned} \langle \tilde{Z}\rangle [s;\omega ] \approx \chi _{Z}(\omega )\tilde{s}(\omega ) \text { for } \omega \ne 0, \end{aligned}$$ (9)
引入易感性 \(\chi _{Z} = \tilde{K}_{Z,\infty }\)(在无限时间窗口上响应函数的真实傅里叶变换)。
我们旨在建立的FRRs将自发统计的谱与不同可观测量的响应函数联系起来。

对于第一阶段种群中神经元的波动-响应关系(Fluctuation-Response Relations),我们将首先应用Lindner(2022)描述的单个神经元方法来处理在没有信号的情况下(自发活动为 \(s(t)\equiv 0\))的第一阶段种群中神经元的Langevin方程。根据(Lindner 2022),我们通过从Langevin方程中减去适当缩放的脉冲列来正式纳入电压重置,对得到的方程进行傅里叶变换并取其复共轭,得到:
$$\begin{aligned} (1 + i\omega ) \tilde{v}_k^* = \sqrt{2Dc}\tilde{\xi }^* + \sqrt{2D(1-c)}\tilde{\xi }_k^* - (v_T-v_R)\tilde{x}_k^*. \end{aligned}$$ (10)
Lindner(2022)将单个神经元的结果方程与其自身的脉冲列的傅里叶变换相乘。我们将分别用随机过程 \(\tilde{x}_j\)、\(\tilde{v}_j\) 和 \(\tilde{\xi }\) 乘以该方程,然后按照方法进行集合平均,并除以T,取极限 \(T\rightarrow \infty \)。这导致了一组交叉谱和功率谱的方程:
$$\begin{aligned} \begin{aligned} (1 + i\omega ) S_{x_jv_k}&= \sqrt{2Dc}S_{x_j\xi }+ \sqrt{2D(1-c)}S_{x_j\xi _k}\\ &-(v_T-v_R)S_{x_jx_k},\\ \end{aligned}\end{aligned}$$ (11a)
$$\begin{aligned} \begin{aligned} (1 + i\omega ) S_{v_jv_k}&= \sqrt{2Dc}S_{v_j\xi }+ \sqrt{2D(1-c)}S_{v_j\xi _k}\\ &;- (v_T-v_R)S_{v_jx_k},\\ \end{aligned}\end{aligned}$$ (11b)
$$\begin{aligned} \begin{aligned} (1 - i\omega ) S_{v_k\xi }&= \sqrt{2Dc}S_{\xi \xi }+ \sqrt{2D(1-c)}S_{\xi _k\xi }\\ &;- (v_T-v_R)S_{x_k\xi }.\\ \end{aligned} \end{aligned}$$ (11c)
因为我们假设所有涉及的噪声过程都具有高斯统计特性,我们可以根据Furutsu-Novikov定理(Furutsu 1963;Novikov 1965)用相应的响应函数或易感性来表达这些噪声过程与我们系统可观测量之间的交叉谱。具体来说,对于我们的可观测量,该定理包含以下关系:
$$\begin{aligned} \begin{aligned} S_{x_j\xi } = \sqrt{2Dc}\chi _x, \hspace{1em} S_{x_j\xi _k}&= \sqrt{2D(1-c)}\delta _{jk}\chi _x,\\ S_{v_j\xi } = \sqrt{2Dc}\chi _v, \hspace{1em} S_{v_j\xi _k}&= \sqrt{2D(1-c)}\delta _{jk}\chi _v. \end{aligned} \end{aligned}$$ (12)
将噪声谱的关系(7)和Furutsu-Novikov定理(12)插入交叉谱的方程组(11)中,得到两个FRR和一个响应-响应关系(RRR):
$$\begin{aligned} \chi _{x}&= \frac{(v_T-v_R)S_{x_jx_k} + (1+i\omega )S_{x_jv_k}}{2D[(1-c)\delta _{jk} + c]},\end{aligned}$$ (13a)
$$\begin{aligned} \chi _{v}&= \frac{(v_T-v_R)S_{v_jx_k} + (1+i\omega )S_{v_jv_k}}{2D[(1-c)\delta _{jk} + c]},\end{aligned}$$ (13b)
$$\begin{aligned} \chi _{v}&= \frac{1 - (v_T-v_R)\chi _{x}}{1-i\omega }. \end{aligned}$$ (13c)
我们注意到,对于 \(j=k\),方程(13a)简化为Lindner(2022)推导出的FRR,而方程(13b)和方程(13c)分别是电压变量和Klett与Lindner(2025)最近计算的两个易感性之间的RRR。上述关系进一步将 \(j\ne k\) 时不同神经元的交叉谱与不同的易感性联系起来。
值得注意的是,上述方程可以重新排列,以用脉冲列统计来表达电压的交叉谱和功率谱,从而可以通过脉冲列数据获得电压统计信息:
$$\begin{aligned} \begin{aligned} S_{v_jv_k}&= \frac{(v_T-v_R)^2}{1+\omega ^2}S_{x_jx_k}\\&-\ 2D\frac{(1-c)\delta _{jk} + c}{1+\omega ^2}\left[ 2(v_T-v_R)\textrm{Re}\left( \chi _{x}\right) - 1\right] \end{aligned} \end{aligned}$$ (14)
图2
此图像的替代文本可能是使用AI生成的。
全尺寸图像

通过比较易感性(黑线)与波动统计(点)来验证FRRs方程(13a)(a)、方程(13b)(b)和方程(15)(c),对于不同的c值,分别对应实部(上)和虚部(下)的频率。模拟了 \(10^5\) 次试验,其中 \(T=100\),\(\mu =0.8\),和 \(D=0.1\)。易感性是通过解析表达式(37)和(13c)获得的。
同样,方程(14)可以表示为另一个FRR,它将 \(j\ne k\) 时脉冲列易感性的实部与不同神经元的脉冲列或电压的自发交叉谱联系起来:
$$\begin{aligned} \textrm{Re}\left( \chi _{x}\right) = \frac{2Dc + (v_T-v_R)^2 S_{x_jx_k} - (1+\omega ^2)S_{v_jv_k}}{4Dc(v_T-v_R)}. \end{aligned}$$ (15)
方程(13a)、方程(13b)和方程(15)分别在图2(a)、图2(b)和图2(c)中得到了验证,对于 \(j\ne k\) 的情况,通过将种群的自发放电的交叉谱与已知的易感性解析表达式进行比较(Lindner和Schimansky-Geier 2001;Brunel等人2001)。
应该注意的是,对于 \(j\ne k\) 的情况,神经元之间的交叉谱的解析表达式是未知的。然而,对于 \(c\ll 1\),交叉谱可以很好地用(Vilela和Lindner 2009;Ostojic等人2009)的近似来近似:
$$\begin{aligned} S_{x_jx_k}\approx 2cD|\chi _x|^2. \end{aligned}$$ (16)
类似的近似也可以用来近似涉及电压的交叉谱:
$$\begin{aligned} S_{x_jv_k}\approx 2Dc\chi _x\chi _v^*, \hspace{1em} S_{v_jv_k}\approx 2Dc|\chi _v|^2. \end{aligned}$$ (17)
我们注意到这些近似与方程组(13)是一致的。然而,我们想强调的是,后者对于整个c值范围 \(c\in [0,1]\) 是精确的。关系(16)和(17)可以被视为从实现角度的线性响应假设中得出的近似FRR。方程(16)和(13a)之间的区别在图3中有所说明。可以看出,方程(16)仅适用于c的小值(从脉冲列交叉谱获得的光蓝色数据点与实线,即易感性的解析表达式一致),而方程(13a)适用于任意的c值(在图中我们使用了 \(c=0.4\))。

图3
此图像的替代文本可能是使用AI生成的。
全尺寸图像

通过重新排列方程(16)来近似易感性的绝对值的平方(黑线),对于多个c值(蓝色)。这与通过对方程(13a)右侧的绝对值进行平方得到的精确公式(紫色)进行了比较。模拟了方程(13a),其中 \(T=500\) 和 \(c=0.4\);对于所有其他参数,方程(16)的参数选择如图24所示。

我们现在转向连接两个信息处理阶段的可观测量的关系,即我们的巧合检测器细胞的代理PSO Y(t)以及第一种群的脉冲列和膜电压。为了推导这样的关系,我们将方程(10)与PSO的傅里叶变换 \(\tilde{Y}\) 相乘,取集合平均,将方程除以T,并取极限 \(T\rightarrow \infty \),得到:
$$\begin{aligned} \begin{aligned} (1 + i\omega ) S_{Yv_k}&= \sqrt{2Dc}S_{Y\xi } + \sqrt{2D(1-c)}S_{Y\xi _k}\\ &-(v_T-v_R)S_{Yx_k}. \end{aligned} \end{aligned}$$ (18)
涉及高斯噪声过程的交叉谱可以使用Furutsu-Novikov定理重写为:
$$\begin{aligned} S_{Y\xi } = \sqrt{2Dc}\chi _{Y,N}, \end{aligned}$$ (19)
其中 \(\chi _{Y,N}\) 是PSO对进入第一阶段种群所有神经元的刺激的易感性。同样,我们可以写出:
$$\begin{aligned} S_{Y\xi _k} = \sqrt{2D(1-c)}\chi _{Y,1}, \end{aligned}$$ (20)
其中 \(\chi _{Y,1}\) 是PSO对仅应用于第一阶段种群一个神经元的刺激的易感性。这些关系可以插入方程(18),得到FRR:
$$\begin{aligned} c\chi _{Y,N} + (1-c)\chi _{Y,1}=\frac{(v_T-v_R)S_{Yx_k} + (1 + i\omega ) S_{Yv_k}}{2D}. \end{aligned}$$ (21)
图4
此图像的替代文本可能是使用AI生成的。
全尺寸图像

包括跨阶段统计的波动-响应关系
通过比较易感性(点)与波动统计(线),作为频率的函数,对于多个 \(\gamma \) 值,验证了FRR方程(23)。平均驱动和低噪声状态(\(\mu =1.2, D=0.01\)),其中 \(N=10\) 和 \(c=0.1\);模拟了 \(10^5\) 次试验,其中 \(T=200\),\(\Delta t=5\cdot 10^{-4}\)。易感性是通过均匀功率的宽带刺激获得的,对于 \(|\omega |< 2\pi \cdot 100\) 且方差 \(\langle s^2(t)\rangle =0.1\)。
幸运的是,由于对弱信号的响应线性和第一阶段种群的均匀性,两个易感性通过以下方式联系起来:
$$\begin{aligned} \chi _{Y,N} = N\chi _{Y,1}. \end{aligned}$$ (22)
因此,FRR可以简化为只包含一个易感性:
$$\begin{aligned} \chi _{Y,N} = \frac{(v_T-v_R)S_{Yx_k} + (1 + i\omega ) S_{Yv_k}}{2D\left( c+\frac{1-c}{N} \right) }. \end{aligned}$$ (23)
我们可以使用这个方程来推导一个仅依赖于平均种群量A的FRR,而不是单个神经元的测量值。当将方程对所有神经元求和,将其与 \(\tilde{\mathcal {F}}^*\) 相乘,并除以N时,交叉谱 \(S_{Yx_k}\) 变为 \(S_{YA}\)。
新的方程表示为:
$$\begin{aligned} \chi _{Y,N} = \frac{(v_T-v_R)S_{YA} + (1 + i\omega ) S_{YV}}{2D\left( c+\frac{1-c}{N} \right) \tilde{\mathcal {F}}^*}, \end{aligned}$$ (24)
其中我们引入了平均过滤电压 \(V=\frac{1}{N}\sum _{k=1}^N\mathcal {F}*v_k\)。方程(23)通过在宽带刺激s(t)下的模拟(测量PSO的易感性)和无刺激自发状态 \(s(t)\equiv 0\)(测量PSO和第一种群神经脉冲列及电压之间的自发交叉谱)来确定方程(23)的左右两侧,从而在图4中得到了验证。这种比较显示出极好的一致性,从而确认了方程(23)对于特定参数集是正确的。
我们注意到到目前为止,我们还没有使用PSO的任何属性——计算和推导出的关系方程(21)和方程(23)对于脉冲列和电压的均匀函数Y(t)是成立的,即Y必须以相同的方式依赖于脉冲列和电压。在下一节中,我们将使用已知的函数近似来简化FRRs。

在方程(23)中出现了第一阶段和第二阶段过程之间的交叉谱。然而,除了它是活动A的函数之外,没有使用关于过程Y的任何信息。为了更深入地理解这个方程在作为第二阶段细胞的放电神经元背景下的含义,我们将用PSO来近似这样的细胞的行为。Kruscha和Lindner(2016)已经推导出了PSO对进入所有神经元的信号的易感性的近似以及PSO的功率谱的近似。我们的目标现在是通过这个FRR来推导FRR方程(23)中出现的其他跨阶段谱的解析近似。之前对PSO易感性的近似依赖于这样一个事实:如果共同噪声的水平很小(\(c\ll 1\))且第一阶段种群中的神经元数量很多(\(N\gg 1\)),活动可以近似为高斯过程。实际上,对于大量独立的过滤脉冲列,中心极限定理的论点适用。在这种近似中,活动的概率密度由(Kruscha和Lindner 2015,2016)给出:
$$\begin{aligned} p_A(A) \approx \frac{1}{\sqrt{2\pi \sigma _A^2}}\exp \left( -\frac{(A-R_0)^2}{2\sigma _A^2}\right) , \end{具体来说,该定理指出,给定两个相关的高斯过程U(t)和V(t)及其互谱\(S_{UV}\),一个经过变换后的(通常是非高斯的)过程Y(U(t))与第二个过程V(t)的互谱将与\(S_{UV}\)成正比,比例因子为\(\alpha _Y\),这个比例因子仅取决于变换过程$$\begin{aligned} S_{Y(U),V}&= \alpha _YS_{U,V}, \end{aligned}$$ (26a) $$\begin{aligned} \alpha _Y&= \frac{1}{\sigma _U^2}\int _\infty ^\infty Y(U)(U-\langle U\rangle )p_U(U)dU. \end{aligned}$$ (26b) 整个两阶段系统的易感性\(\chi _{Y,N}\)可以通过Furutsu-Novikov定理计算得出,该定理引入了带有共同高斯噪声\(\xi \)的PSO的互谱。然后,这个互谱由Bussgang定理给出。因此,PSO的易感性可以近似为$$\begin{aligned} \chi _{Y,N} \overset{\text {eq.~(19)}}{=} \frac{1}{\sqrt{2Dc}}S_{Y(A),\xi }\overset{\text {eq.~(26)}}{\approx }\frac{\alpha }{\sqrt{2Dc}}S_{A\xi }, \end{aligned}$$ (27) 其中$$\begin{aligned} \alpha _\gamma \approx p_A\left( \gamma -\frac{1}{2N}\right) = \frac{1}{\sqrt{2\pi \sigma _A^2}}\exp \left( \frac{-\beta _\gamma ^2}{2}\right) \end{aligned}$$ (28) 而\(\beta _\gamma \)是由下式定义的一个有用常数$$\begin{aligned} \beta _\gamma = \frac{\gamma -R_0-1/(2N)}{\sigma _A}. \end{aligned}$$ (29) 互谱\(S_{A\xi }\)同样由Furutsu-Novikov定理给出:\(S_{A\xi } = \sqrt{2Dc}\tilde{\mathcal {B}}\chi _x\)。这导致了Kruscha和Lindner(2016年)给出的易感性表达式,他们使用Bussgang定理和线性响应近似得到了这个表达式$$\begin{aligned} \chi _{Y,N}\approx \alpha \tilde{\mathcal {B}}\chi _x. \end{aligned}$$ (30) 通过使用Furutsu-Novikov定理,可以避免线性响应近似。为了使Bussgang定理成立,利用了\(\xi \)的(精确)高斯性和活动A的(近似)高斯性。后一性质也可以通过再次应用Bussgang定理来获得活动A(t)与PSO \(Y = Y_{\gamma }(A(t))\)之间的互谱近似$$\begin{aligned} S_{YA} \approx \alpha S_{AA} = \alpha |\tilde{\mathcal {B}}|^2 \left( S_{x_1x_2} + \frac{1}{N}(S_{x_1x_1}-S_{x_1x_2})\right) . \end{aligned}$$ (31) 同时,由于种群的均匀性,PSO与单个脉冲列的互谱可以代表整个种群。这可以通过以下关系表达$$\begin{aligned} S_{YA} = \frac{1}{N}\tilde{\mathcal {B}}^*\sum _{k=1}^N S_{Yx_k}=\tilde{\mathcal {B}}^*S_{Yx_1}. \end{aligned}$$ (32) 结合这两个方程,我们找到了第一阶段种群中PSO与脉冲列之间的互谱近似$$\begin{aligned} S_{Yx_k} \approx \alpha \tilde{\mathcal {B}} \left( S_{x_1x_2} + \frac{1}{N}(S_{x_1x_1}-S_{x_1x_2})\right) . \end{aligned}$$ (33) 由于高斯近似已经依赖于低c,因此进一步用方程(16)近似跨神经元互谱\(S_{x_1x_2}\)是合理的。我们得到了一个解析表达式(\(\chi _x\)和\(S_{x_1x_1}\)由(37)和(38)给出),用以近似跨阶段谱$$\begin{aligned} S_{Yx_k} \approx \alpha \tilde{\mathcal {B}} \left( \left[ 1-\frac{1}{N}\right] 2Dc|\chi _x|^2 + \frac{1}{N}S_{x_1x_1}\right) . \end{aligned}$$ (34) \(\chi _{Y,N}\)和\(S_{Yx_k}\)的近似都可以插入到FRR(23)中,重新排列后可以得到PSO与单个神经元电压\(v_k\)之间的互谱近似$$\begin{aligned} \begin{aligned} S_{Yv_k}&= 2D\left( c + \frac{1-c}{N}\right) \frac{1}{1+i\omega }\chi _{Y,N} - \frac{v_T-v_R}{1+i\omega }S_{Yx_k}\\&\approx \frac{\alpha \tilde{\mathcal {B}}}{1+i\omega }\left[ 2D\left( c + \frac{1-c}{N}\right) \chi _{x}-\right. (v_T-v_R)\\&\left. \cdot \left( S_{x_1x_2} + \frac{1}{N}(S_{x_1x_1}-S_{x_1x_2})\right) \right] . \end{aligned} \end{aligned} \end{aligned}$$ (35) 在这里,我们可以再次使用方程(16)用已知函数表示右侧。这些跨阶段谱的近似通过方程(34)和方程(35)在图5(a)和图5(b)中得到了验证,通过显示多个\(\gamma \)值的重新缩放谱并与Bussgang近似的预测进行比较。注意,谱仅通过线性缩放因子\(\alpha \)依赖于\(\gamma \),因此重新缩放的谱应该彼此重合。图5这张图像的替代文本可能是使用AI生成的。全尺寸图像Bussgang近似中的跨阶段谱比较了不同\(\gamma \)值的模拟得到的PSO互谱(彩色线条)与Bussgang近似(黑色线条),分别对应实部(顶部)和虚部(底部)作为频率的函数。(a)由方程(33)得到的\(S_{Yx_k}\)和(b)由方程(35)得到的\(S_{Yv}\)。由于图5(a)和图5(b)中的谱是通过它们的最大值重新缩放的,以显示所有\(\gamma \)值的简单线性关系,因此缩放因子本身的计算并未得到验证。实际上,这个缩放因子只有在\(\beta _\gamma \)接近零(即\(\gamma \)接近A的均值时)才能正确近似,尽管如图5(a)和图5(b)所示,无论\(\gamma \)如何,线性缩放都成立。这是因为我们发现\(\alpha (\gamma )\)是由活动分布(28)近似的,而这个分布近似是一个高斯分布。任何由非零c值引入的高斯钟形分布的偏差都会使分布偏斜,在分布的尾部这种偏差最为明显,因为它们对预测的\(\alpha \)值影响最大。因此,只有对于接近A均值的\(\gamma \)值(且\(\beta _\gamma < 1\)),缩放因子\(\alpha (\gamma )\)的计算才会大致准确。6 总结与结论在本文中,我们首次尝试将迄今为止仅针对单个IF神经元(Lindner 2022;Puttkammer和Lindner 2024;Stubenrauch和Lindner 2024;Klett和Lindner 2025)开发的波动响应关系理论推广到多神经元种群层面。我们关注了一个简单但非平凡的情况,即由个体噪声驱动的(统计上相同的)神经元种群,并且最重要的是,由一个共同的刺激驱动。我们不是研究单个神经元的脉冲列和膜电压之间的功率和互谱,而是推导出FRRs,特别是将响应易感性与种群中不同神经元的脉冲列和/或电压之间的互谱联系起来。此外,我们找到了一个涉及PSO的自发和响应统计的关系,将其解释为由第一阶段种群驱动的读出 coincidence 检测器细胞的代理。我们能够使用这个FRR推导出所有互谱统计的新近似。我们的所有关系都通过模拟中等规模种群在噪声影响下的情况得到了验证。我们的结果提供了从自发神经数据确定响应函数的替代方法,例如利用多单元记录。此外,它们还可以用来从纯脉冲列统计预测电压互相关统计。这两种应用都涉及没有或可以忽略的循环连接的情况,以及单个细胞的动态可以通过泄漏积分-放电模型很好地近似。我们的模型和推导FRRs的方法可以在几个方向上进行扩展。许多计算可以针对具有(i)非线性亚阈值电压动态的神经元模型进行重复(例如在Fourcaud-Trocmé等人2003年;Badel等人2008年的指数IF模型中;(ii)许多神经元中观察到的脉冲频率适应(Benda和Herz 2003年;Brette和Gerstner 2005年),(iii)时间相关的(彩色)噪声(H?nggi和Jung 1995年;Brunel和Sergi 1998年;Schwalger和Schimansky-Geier 2008年;Moreno-Bote和Parga 2010年;Alijani和Richardson 2011年;Schwalger等人2015年),(iv)以间隙连接的形式与产生脉冲的隔室耦合的空间结构(Clopath等人2007年;Ostojic等人2015年;Doose等人2016年)。只要涉及的噪声是高斯的,并且我们有一个明确的重置规则,我们仍然可以调用Furutsu-Novikov定理将脉冲列响应函数引入这些关系;对于泊松射击噪声和类似的随机驱动,我们可以使用Stubenrauch和Lindner(2024年)最近推导出的等效互相关-响应关系(尽管这些涉及不同的响应函数,即与驱动点过程的输入率调制相关的函数)。由于共同噪声仍然是这种情况下非平凡关系的主要原因,FRRs的数学结构预计与我们在论文中得到的结果类似。除了积分-放电框架之外,即对于由高斯电流噪声驱动的非线性多维动态神经元种群(例如基于电导的Hodgkin-Huxley型模型),我们的方法的应用可以产生膜电压响应函数与膜电位的某些互相关函数之间的关系。后者互相关函数表征了模型的自发活动,但在实验中测量这些函数将很困难,特别是当涉及门控变量时。因此,这样的基于电导的多维模型的FRRs可能只能在理论上或模拟中测试(在那里我们知道所有变量的时间序列,包括门控变量),而不能在实验中测试,这显然限制了它们的使用。一个替代方法是用多维IF模型近似这些多维神经动态,然后推导出(近似的)FRRs,类似于这里和Lindner(2022年)中讨论的FRRs,这些FRRs只需要知道种群中神经元的膜电位和脉冲列,即实验上可访问的可观测量。一个质的新步骤将是考虑神经元之间的循环连接,并放宽种群均匀性的强假设,即允许神经元在细胞类型(最基本的兴奋性和抑制性细胞)及其参数(模仿相应神经亚群的变异性)上有所不同。我们论文中开发的方法也适用于这样的设置,只是具体的关系将取决于通过特定细胞参数和连接结构的指数。在这种设置中,已经存在关于IF神经元互谱的成熟理论(见Trousdale等人2012年;Ocker等人2017年),但这基于Lindner等人(2005b)提出的线性响应假设,这在某些情况下可能会严重失败(Lindner等人2005a)。这一理论的关键结果将脉冲列互谱的协方差矩阵与网络响应函数的矩阵相关联。这种关系已经可以被视为一种FRR,尽管这种近似是由于近似的线性而有些平凡。将我们方法得到的精确FRRs与Trousdale理论的近似FRRs进行比较将会很有趣。我们的精确FRRs可能有助于找到新的近似方法来描述出现的统计特性,并且更一般地,有助于更好地理解循环网络中的信息流约束。此外,如何利用FRRs来推断循环网络中的连接性或单个参数是一个完全开放但令人兴奋的问题。7 附录:受白高斯噪声驱动的LIF神经元的放电统计已知有许多由白高斯噪声驱动的LIF神经元的函数和度量是解析给出的。其放电率由(Ricciardi 1977)给出$$\begin{aligned} r_0 = \left[ \sqrt{\pi }\int _{z_T/\sqrt{2}}^{z_R/\sqrt{2}}dz\, e^{z^2} \text {erf}(z)\right] ^{-1} \end{aligned}$$ (36) 其中\(z_{T/R} = (\mu -v_{T/R})/\sqrt{D}\)。受白高斯噪声驱动的LIF神经元的易感性可以用抛物柱函数\(\mathcal {D}_{\alpha }(z)\)表示(Whittaker和Watson 1990)。这个表达式由(Lindner和Schimansky-Geier 2001)给出$$\begin{aligned} \chi _x(\omega ) = \frac{ir_0\omega /\sqrt{D}}{i\omega -1}\frac{\mathcal {D}_{i\omega -1}(z_T) - e^{\frac{z_R^2-z_T^2}{4}}\mathcal {D}_{i\omega -1}(z_R)}{\mathcal {D}_{i\omega }(z_T) - e^{\frac{z_R^2-z_T^2}{4}}\mathcal {D}_{i\omega }(z_R)}. \end{aligned}$$ (37) 或者也可以用融合超几何函数表示(Brunel等人2001)。这样的神经元的功率谱由(Lindner等人2002)给出$$\begin{aligned} S_{xx}(\omega ) = r_0\frac{|\mathcal {D}_{i\omega }(z_T)|^2 - e^{\frac{z_R^2-z_T^2}{2}}|\mathcal {D}_{i\omega }(z_R)|^2}{|\mathcal {D}_{i\omega }(z_T) - e^{\frac{z_R^2-z_T^2}{4}}\mathcal {D}_{i\omega }(z_R)|^2}. \end{aligned}$$ (38)
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号