进化Kuramoto动力学揭示了神经群体中奇美拉态的起源
《PLOS Computational Biology》:Evolutionary Kuramoto dynamics unravels origins of chimera states in neural populations
【字体:
大
中
小
】
时间:2026年05月01日
来源:PLOS Computational Biology 3.6
编辑推荐:
摘要:神经同步对认知过程至关重要。然而,不完全的同步常常会产生“奇美拉状态”,在这种状态下,连贯和非连贯的动态共存。最近的研究表明,这些奇美拉状态可能在人类认知组织中起着重要作用。特别是,奇美拉状态被认为可以调节认知整合,并且随着人类年龄的增长,其调节作用的质量也会发生变化。虽然
摘要:神经同步对认知过程至关重要。然而,不完全的同步常常会产生“奇美拉状态”,在这种状态下,连贯和非连贯的动态共存。最近的研究表明,这些奇美拉状态可能在人类认知组织中起着重要作用。特别是,奇美拉状态被认为可以调节认知整合,并且随着人类年龄的增长,其调节作用的质量也会发生变化。虽然之前的研究使用了耦合振荡器网络来探讨这些奇美拉状态,但为什么神经元会选择进行交流以及奇美拉状态如何持续存在仍然不清楚。在这里,我们研究了在有向加权网络上的神经元相位和交流策略的共同演化,其中交互收益取决于相位对齐,并且可能由于单向交流而存在不对称性。图结构使我们能够将类似Kuramoto振荡器的博弈论模型应用于大脑连接组,而这种不对称性则捕捉到了交流神经元和非交流神经元之间的生化差异。结合这两点,我们能够将计算上可行的Kuramoto模型应用于真实的大脑网络,并分析连接组结构对神经元交流的影响。我们发现,连接权重和方向性都会影响交流策略的稳定性——以及随之而来的完全同步——以及神经元交互的战略性质。将我们的框架应用于秀丽隐杆线虫(C. elegans)的连接组,我们展示了诸如“猎鹿游戏”这样的新兴收益结构如何控制种群动态。我们证明了秀丽隐杆线虫连接组中的加权有向连接性足以生成由收益不对称性调节的稳健奇美拉状态。我们的计算结果展示了一种有前景的神经博弈论视角,利用进化图论来揭示超越经典同步模型的神经元协调机制。
作者总结:大脑神经元以同步的模式共同放电,这些同步波被认为对理解人类认知非常重要。鉴于神经元的微小规模和庞大的数量,将单个神经元的行为与大脑尺度的同步模式联系起来的实验研究具有挑战性。进化博弈论(EGT)是一种有用的工具,用于分析个体玩家的属性如何影响大规模动态。在这项研究中,我们使用EGT分析了秀丽隐杆线虫的302个神经元大脑,将神经元视为玩家,将突触连接视为游戏。数值模拟表明,秀丽隐杆线虫大脑的结构增强了被称为奇美拉的状态。这些奇美拉状态同时表现出同步性和无序性,它们被认为是大脑功能的关键指标。因此,这个模型为通过将小尺度神经元属性与大规模同步动态联系起来,研究其他大脑系统中的这些奇美拉状态提供了一个新的框架。
1. 引言:进化博弈论(EGT)是将博弈论应用于具有行为策略的进化种群。这一工具有助于研究局部交互规则如何产生大规模模式,如合作[1],并在国际政治、生态学和蛋白质折叠等领域得到应用[2]。甚至有研究[3–6]将EGT应用于非繁殖神经元,将神经元可塑性视为一个进化过程,在这个过程中放电模式随时间变化并被“学习”。这些研究采用了神经博弈论方法:玩家是神经元;策略是动态属性,如放电率[3]或激活/抑制[4];收益来源于放电率的稳定性[3]或模仿/非模仿的神经元倾向[4]。进化图论将进化博弈放在图上,以研究结构在种群演化中的作用。先前的研究发现,结构会定性地改变博弈的演化。例如,小度节点[7]或单向边[8]会促进合作,而加权边[9]则会抑制合作。因此,研究演化中的结构化种群时应考虑不完全性、方向性和加权性的影响。Kuramoto网络是一组耦合振荡器,其中耦合强度随振荡器的相位差呈正弦变化。这些网络是研究神经元行为的流行模型[10,11],因为它们表现出可调的同步性。先前的研究[12]使用EGT对囚徒困境游戏类型进行了同步建模。其他研究[5]将这种方法推广到包括动态变化的博弈类型,引入了进化Kuramoto(EK)模型,以展示交流收益与成本之间的关系如何影响同步交流(C)或非交流(N)机制的出现。尽管将EGT应用于神经元最终是一种数学抽象,但它具有潜在的生物学基础[3–6]。例如,交流状态C代表活跃状态(无论是爆发还是尖峰),而N代表其非活跃状态[6]。然后通过神经调节来增强或抑制神经激活来实现进化或策略更新[13]。在进化Kuramoto模型中,离散相位可以理解为真实(连续)相位的周期性测量:恒定相位表示在测量频率下的周期性放电,而缓慢变化的相位表示频率不匹配。神经元振荡的一个有趣方面是观察到了奇美拉状态[14]。这些状态表现出连贯和非连贯相位的共存[15]。这些奇美拉状态出现在各种拓扑结构中,包括环形振荡器[15]、二维空间区域[16]和结构化图[17]。当一个种群分裂成子社区时,会出现奇美拉状态,其中一些子社区是同步的,而其他的是无序的;这些子社区可以根据空间区域(对于空间系统)或连接性(对于图系统)进行分组。先前的研究提出奇美拉状态是人类认知组织的关键组成部分[18],是尖峰和爆发阶段的促进因素[19],以及认知整合和分离之间的调节器[20]。尽管观察到这些奇美拉状态的重要性,但导致连贯/无序共存的因素尚未完全阐明。秀丽隐杆线虫(C. elegans)由于其仅有302个神经元的大脑连接组[21],成为神经科学中的模式生物。尽管结构简单,秀丽隐杆线虫大脑的模型仍然展示了包括对运动神经元至关重要的拓扑中心丰富俱乐部[22]、与控制理论的现象学联系[23]以及奇美拉状态[24]等一系列复杂现象。在本文中,我们引入了一个在图上的非对称进化Kuramoto模型,并分析了其在秀丽隐杆线虫连接组上的奇美拉样状态。新引入的图结构对于在结构化种群(如神经元连接组)上建模这些类似Kuramoto的玩家是必要的,它可以通过选择性地增强或抑制合作来定性地改变种群动态[25]。这代表了神经博弈论框架的新扩展,结合了Kuramoto型振荡器来表示神经元相位和图结构来表示连接组。此外,交流者(C)和非交流者(N)之间的收益不对称性模拟了突触前和突触后连接的固有不对称性:如果源神经元是N且目标神经元是C,则目标神经元的收益受到调节,这代表了其对其他非局部化学神经递质的接受性[26];相反,如果源神经元是C且目标神经元是N,则目标神经元的收益受到调节,这代表了其在没有上游刺激时自发放电的能力[27]。我们的结果将单个神经元的适应度与非平凡的大脑拓扑结构与奇美拉样大脑状态联系起来。鉴于目前直接测量活体神经元活动的技术限制,像我们这样的框架创造了与理论假设相关的可测试假设。我们的计算模型代表了一个简单而多用途的框架,用于阐明神经连接性对奇美拉样大脑状态的影响,超越了经典同步模型。
2. 结果:2.1 模型:我们以两种方式扩展了EK模型:将玩家网络放置在一个有向加权图上;并引入了收益不对称性。首先,我们在图1A中将一个混合良好的种群表示为一个完全图,其中玩家由节点表示,游戏由边表示。我们将这推广到有向图,其中游戏(边)收益仅流向头部玩家(节点)。我们也可以用一对双向边来表示双向游戏,如图1B所示。作为参考,秀丽隐杆线虫(C. elegans)的连接组有38个自环、669对双向边和2,331条非配对边。最后,我们将秀丽隐杆线虫(C. elegans)化学连接组的整数值边权重解释为节点之间的连接数量,因此这些权重缩放了每个收益。
下载:PNG(更大图像)TIFF(原始图像)
图1. 具有加权神经连接性的进化Kuramoto动态。(A) 一个混合良好的种群图,其中N=20个玩家,每对玩家通过一个方向的有向边相连。(B) 两个样本玩家i和j之间的连接性,显示有向加权边wij和wji。每个玩家都有一个策略(交流的C或非交流的N)和相位,m是相位的数量。(C) 收益矩阵显示了行玩家在与列玩家玩游戏后获得的奖励,假设任一玩家都可以切换策略和相位。
我们还将收益结构推广为包含交流者和非交流者之间的不对称性。我们通过其策略si(交流的C或非交流的N)和相位来表征每个玩家(节点),相位取m=20个在0和之间均匀分布的值。当只有一个伙伴是交流者时,不对称性会偏向(反对)交流者,当大于(小于)1/2时;而当等于1/2时则再现对称情况。图1C显示了这些混合CN或NC互动的收益矩阵,并包括最大联合收益B0、最大混合收益、成本c和正弦Kuramoto耦合。
2.2 参数空间:EK模型的一个关键方面是,在种群演化过程中可能会出现多种2×2的游戏类型。这些游戏类型[28]包括困境(又称“囚徒困境”)、僵局(“反囚徒困境”)、鸡/鹰(“鹰-鸽”或“雪堆”)、英雄(“巴赫或斯塔夫insky”,其中最低的两个收益被交换)、和谐(具有强烈激励对齐的游戏)或一致(类似于和谐,激励较弱)。有关每种游戏类型的收益结构的顺序图,请参见S1附录中的S1第2节。虽然CC互动总是双合作游戏(此后简称为“合作”),NN互动总是中性游戏,但混合(CN或NC)游戏显示出多种游戏类型(图2)。我们可以通过观察由、和B0表征的三维相空间的二维切片来可视化这些游戏。图2A显示了相空间的一个切片,并推广了先前研究[5]的图1,而图2B显示了另一个切片。每条白点直线代表我们模拟中m=20个相位的允许值,并突出显示了哪些参数空间区域是可访问的。图2C中的表格显示了一些随着从0变化到的选定转换。例如,当B0/c=1.5时——对应于图2A中的白点线——从鸡区域开始并向左移动,然后转变为困境,再转变为猎鹿。随着从增加到,这个过程会逆转。
下载:PNG(更大图像)TIFF(原始图像)
图2. 收益不对称性丰富了神经互动,远远超出了经典的囚徒困境游戏类型。区域图展示了神经种群在进化动态中可以参与的多种游戏类型。在(A)平面和(B)平面(B0/c=1.5)中的三参数混合CN游戏类型相图切片。对于两个相位差的玩家,混合收益是。图例显示了每种颜色对应的游戏类型。白点代表m=20个可能的相位差,以及限制(A)B0/c=1.5或(B)。(C) 表格显示了游戏类型之间的关键转换,以澄清(A)和(B)的阅读。左列描述了固定参数,B0/c对应于(A)上的白点,而对应于(B)上的白点。随着相位差从0增加到,减小,点向左移动,追踪右列中的游戏。
这些不同的游戏类型在后续分析中有多种作用。首先,它们提供了对参数空间不同区域动态的可解释性。图2中描绘的三维参数空间包含了各种动态,具有不同的入侵可能性、固定时间和稳定性。然而,通过利用对经典双人游戏类型的现有知识,我们可以理解每个区域的特点。其次,它们允许我们定制模型以检查不同的交互类别。先前关于神经元的研究经常使用囚徒困境类型的游戏;我们的模型通过调整参数B0/c、和来针对“困境”(黄色)区域(例如,图2B中底部两行的白点)。或者,分析囚徒困境之外的游戏类型的行为也可能是可取的,这些游戏类型可能表现出指数级长的固定时间[29],如鸡、英雄、和谐和战斗(暖色调的游戏类型)。我们看到,当或时,对于我们的B0值来说,这是可能的(白点在图2B中与橙色的“英雄”和红色的“鸡”区域相交)。因此,尽管在生化层面上没有“游戏类型”的内在生物学表征,但它们提供了一个有价值的解释工具,并且是一种有用的方法来针对模型结果。
2.3 仿真参数
我们现在引入了一些参数:B0、c、m。此外,我们的模型使用了通常的进化博弈论参数:选择强度和突变率(参见第4.3节)。因此,快速回顾参数之间的依赖关系及其重要性是有帮助的。如第4.3节所讨论的,进化是由具有指数适应度fi的Moran过程控制的。因此,我们可以看到,四种组合B0/c、c、m和m用于定义四种组合CC、CN、NC和NN的相对强度。因此,动态完全由参数组合B0/c、c、m和m以及前述的突变率和离散化数m控制。比率是在没有不对称性时(即)通信比例等于1/2的关键联合收益强度[5]。因此,我们遵循[5]并选择B0/c = 1.5,略低于临界点,以稍微偏向非通信性。同样,我们选择m = 20,因为从生物学上我们预期混合NC通信的奖励低于联合CC通信。突变率和选择强度都被选择得较小,以便于进行分析近似(见S1附录中的S1文本第2节)。虽然我们在结果中固定了一组共同的参数以简化问题,但我们在第4.9节中也进行了敏感性分析,以分析改变这些参数的影响。主要结果(类嵌合体指数)对大多数这些参数的变化基本上不敏感。唯一敏感的参数是选择强度,较强的选择强度会增加类嵌合体效应。然而,我们保留较小的m = 20以便于分析处理。m = 20的离散相位近似了一个连续的相位分布;图10显示了一个收敛性分析,表明当m = 20时,通信比例已经收敛,这验证了这是一个可接受的近似。
2.4 完整图
首先,我们将探索新引入的不对称性对N = 20玩家、混合良好的人口的影响。图3A将通信策略fcomm的频率与最大联合收益B0进行比较。标记代表仿真结果,线条代表完整分析结果(S1附录中S1文本的方程10)对于混合良好的人口。B0的步长为0.04,仿真运行了2 × 10^8时间步。结果是在10个种子上平均得出的,垂直误差条显示了标准差。一般来说,对于较小的B0,fcomm较低,在某个盈亏平衡B0时上升到fcomm = 0.5,并在较大的B0时趋于平稳。我们可以通过将我们的情况与之前的研究[5]进行比较来验证我们的模型,观察到质量上相似的结果,我们的盈亏平衡B0 ≈ 0.21对应于他们的盈亏平衡条件。我们还看到,增加(减少)不对称性会扩大(拉伸)这个S形函数在B0方向上。这种依赖性是合理的,因为增加不对称性相当于在混合CN互动中偏向通信伙伴。
下载:PNG
更大图像
TIFF
原始图像
图3. 对称性破坏对混合良好人群中神经同步的影响。混合良好拓扑的通信频率fcomm。(A) 不同收益不对称性值下,时间平均的fcomm作为最大联合收益B0的函数。线条代表理论预测,标记代表10个种子平均的仿真结果,垂直误差条表示10次运行的标准差。(B)–(D) 散点图,左侧垂直轴显示时间函数的瞬时fcomm,并根据图例中指示的多数混合游戏类型进行颜色编码。右侧垂直轴以洋红色显示顺序参数(方程4)作为时间的函数。不对称性分别为(B)、(C)和(D)。
https://doi.org/10.1371/journal.pcbi.1014214.g003
虽然图3A显示了时间平均的系统状态,但研究时间依赖的变化也是有用的。图3B到3D将通信策略fcomm的频率作为时间在左侧垂直轴上的散点图,对于不同的不对称性值。这些时间序列点如果所有玩家都进行通信则用灰色表示,如果所有玩家都不进行通信则用黑色表示;否则,点根据图例中指示的多数混合游戏类型进行着色。在右侧垂直轴上,洋红色线图显示了由方程4给出的顺序参数。顺序参数和通信频率显示了单个种子的情况,以演示单次仿真的突变引起的跳跃。突变率意味着平均每1 × 10^4时间步发生一次突变;对于8 × 10^5时间步,我们因此预期有80次突变。这些突变导致观察到的顺序参数下降。但我们注意到显示的突变次数明显少于80次。突变入侵者的快速灭绝意味着在绘制时间序列时经常错过它们,只观察到可见的突变。图3B显示了当系统严重偏爱不进行通信的玩家时的时间变化。在最初的混乱、困境类型游戏(黄色)之后,系统在不进行通信的状态下同步(fcomm = 0时的黑线),只有在短暂的困境类型游戏偏离时出现。图3C描述了一个适度鼓励通信性的不对称性。系统在69%的时间内处于通信状态(fcomm = 1时的灰线),不稳定的偏离到同步的非通信状态(fcomm = 0时的黑线)以及混乱的英雄(橙色)和猎鹿(深蓝色)游戏类型。这个69%的通信率与图3A预期的75%相似(对于B0 = 0.15和),由于图3C显示的时间跨度较短,因此存在小的差异。最后,图3D显示了通信受到强烈激励的情况。像(B)情况一样,系统几乎总是处于通信状态,只有短暂的偏离到死锁(浅蓝色)或猎鹿(深蓝色)游戏类型。我们注意到所有三种(B–D)情景几乎总是同步的;顺序参数(洋红色)几乎总是,只有偶尔由于突变而下降。
2.5 C. elegans 图
在这里,我们考虑了加权、有向的秀丽隐杆线虫(C. elegans)化学连接组[21]。作为参考,图4D显示了N = 300个节点和有向边(我们排除了两个不连接的神经元CANL/CANR)。我们统一对待所有秀丽隐杆线虫(C. elegans)神经元,不区分感觉神经元、中间神经元和运动神经元。节点根据它们在特定时间步的策略进行着色,蓝色代表通信策略,红色代表非通信策略,不同的阴影代表不同的阶段。我们注意到大型、同步的红色节点群体与混乱的邻近节点共存的类嵌合体特征。
下载:PNG
更大图像
TIFF
原始图像
图4. 秀丽隐杆线虫(C. elegans)神经网络中类嵌合体状态的兴起。(A)–(C) 作为最大联合收益B0函数的玩家通信比例的时间平均值。网络拓扑分别是(A) 加权的、有向的秀丽隐杆线虫(C. elegans)连接组,(B) 无权的、有向的秀丽隐杆线虫(C. elegans)连接组,以及(C) 加权的、无向的秀丽隐杆线虫(C. elegans)连接组。结果是在10个种子上平均得出的,误差条表示标准差。(D) 具有不对称性的秀丽隐杆线虫(C. elegans)N = 300加权、有向连接组的网络拓扑。颜色代表特定时间步的2m = 40策略;蓝色代表通信,红色代表非通信,不同的阴影代表不同的阶段。(E) 与图3B到3D相同的轴和着色的散点图,显示了通信频率、多数混合游戏类型和顺序参数。(F) 流程图显示了各种通信比例fcomm之间的成对标准差:“混合良好”是图3C,“无权”是(B),“无向”是(C),“C. elegans”是(A)。
https://doi.org/10.1371/journal.pcbi.1014214.g004
接下来,为了量化图4D的观察结果,图4A显示了在整个2 × 10^8时间步的仿真中,使用通信策略fcomm的玩家比例,作为最大联合收益B0的函数,步长为0.04,对于秀丽隐杆线虫(C. elegans)连接组网络拓扑。所有子图都使用了不对称性。此外,依赖于B0的图(A–C)显示了10个种子的平均值;误差条表示标准差。我们注意到(A)秀丽隐杆线虫(C. elegans)情况的行为与图3A中的混合良好情况在质量上有所不同。对于B0 ≤ 0.08,通信比例fcomm较平坦,在B0 = 1.6时有一个急剧的跳跃,并减少到大约0.60的水平渐近线。我们可以通过观察图4A中秀丽隐杆线虫(C. elegans)网络拓扑的变化来隔离这种偏离的原因。首先,(B)有向、无权连接组在质量上类似于(A)混合良好情况,从B0 < 0.1时的低通信性单调增加到B0 ≥ 0.2时的完全通信性。这意味着有向性在(A)完全秀丽隐杆线虫(C. elegans)情况的定性形状中只起很小的作用。相反,(C)加权、无向连接组看起来类似于(A)完全秀丽隐杆线虫(C. elegans)情况,显示出相同的平台,尽管在B0 = 0.15附近的峰值不那么明显。这种相似性意味着连接组的边权重导致了(A)完全秀丽隐杆线虫(C. elegans)情况与图3A混合良好情况之间的大部分偏差。我们可以通过将(A–C)与图3C混合良好情况进行比较来进一步量化加权和有向性的相对影响。图4F显示了在混合良好、无权、无向和完全秀丽隐杆线虫(C. elegans)情况之间计算的成对标准差。特别是,我们看到无权与秀丽隐杆线虫(C. elegans)的标准差是无向与秀丽隐杆线虫(C. elegans)标准差的三倍。因此,这意味着加权(无向)边的影响是定向(无权)边的三倍,在完全秀丽隐杆线虫(C. elegans)通信频率轮廓中。我们还可以使用与图3B到3D混合良好情况相同的参数来研究秀丽隐杆线虫(C. elegans)系统的时间演化,但使用的是秀丽隐杆线虫(C. elegans)连接组图。与混合良好情况相比,(E)秀丽隐杆线虫(C. elegans)情况描述了一个更加异质的人群。在这里,人群从未稳定到完全通信或非通信状态。相反,其通信频率保持在22%到47%之间,其平均值小于图4A中预期的0.15;这种差异可能来自于这个小的8 × 10^5时间步子集的随机性。类似地,顺序参数的较小值2%到45%表明同步性远低于混合良好情况。虽然图3C中的混合设置展示了英雄、追逐和和谐等多种游戏类型,但图4E中的秀丽隐杆线虫(Caenorhabditis elegans,简称C. elegans)设置仅显示了英雄和追逐游戏。最后,C. elegans的情况对突变的稳定性低于图3C中的混合情况:C. elegans的情况不是稳定的同步状态,而是具有不连续偏移的混乱状态。2.6 像嵌合体一样的指数 系统时间演化的时间延迟动画显示,一部分节点表现出高度同步性,而其他节点仍然处于混乱状态:这是嵌合体状态的特征。描述这种现象的动画作为支持信息提供(S1视频、S2视频和S3视频),并且提供了一个交互式网站,通过图表和动画来探索完整的数据集。为了量化这种类似嵌合体的效应,我们将研究类似嵌合体的指数(方程6)和亚稳态指数(方程7)。如第4.8节所讨论的,类似嵌合体的指数衡量了玩家群体之间的连贯性差异,等于时间平均的群体方差,对于我们的M=6个群体,其理论最大值为[17]。相反,亚稳态指数表示系统在同步和混乱状态之间转换的频率,等于群体时间方差的平均值;对于始终同步或始终混乱的群体,其值为0,而对于在完全同步和完全混乱之间交替的群体,其值增加到0.25。图5显示了(A)类似嵌合体的指数和(B)亚稳态指数作为不对称性的函数。这些模拟使用与图4A至4C中的C. elegans时间序列数据相同的参数运行,平均值是基于10个种子的,并且误差条表示标准差。下载:PNG较大图像TIFF原始图像图5。表征嵌合体状态。(A)类似嵌合体的指数(方程6)和(B)亚稳态指数(方程7)作为加权、有向C. elegans连接组的不对称性的函数。为了计算这些指数,我们使用常数Potts模型将图分成两个群体(参见第4.8节)。结果是基于10个种子的平均值,误差条表示标准差。(C)-(D)C. elegans连接组的快照,其中蓝色表示可通信的,红色表示不可通信的,阴影代表不同的阶段。https://doi.org/10.1371/journal.pcbi.1014214.g005图5中显示的亚稳态小于0.03,远小于最大值0.25。这意味着系统的亚稳态较低,大部分时间都处于几乎恒定的同步状态。此外,尽管在某些情况下亚稳态最高(即稳定性变化最大),但亚稳态对于较大的不对称性总是保持在0.01以下。相反,类似嵌合体的指数表明具有高嵌合体质量,其值是理论最大值(0.3)的三分之一。鉴于我们对类似嵌合体的指数进行了时间平均,系统偏离完全嵌合体状态的情况既源于连贯/混乱群体的不完全分离,也源于嵌合体质量的时间波动。图5中显示的类似嵌合体的指数是一个时间平均的统计量,但同步性和混乱性之间的相互作用也可以理解为时间的函数。特别是,类似嵌合体的状态特征是一些群体的有序参数(方程5)较低,而一些群体的有序参数较高。因此,图6显示了六个群体中每个群体的群体参数作为时间的函数。这些参数与图5中使用的参数相同,是使用常数Potts模型计算得出的。下载:PNG较大图像TIFF原始图像图6。群体依赖的有序参数(方程5)作为时间的函数。这六个群体与图5中使用的群体相同,是使用常数Potts模型计算得出的(参见第4.8节)。不对称性为[值未提供]。https://doi.org/10.1371/journal.pcbi.1014214.g006图5清楚地显示了六个群体之间的有序参数变化。群体1-4主要是混乱的,有序参数≤0.6,而群体5和6则非常同步,有序参数≥0.95。这种有序和混乱子群的分叉是类似嵌合体状态的关键特征,表明图5中的类似嵌合体指数实际上反映了群体连贯性的真实分离。2.7 游戏类型 接下来,我们试图了解在种群演化过程中节点所玩的游戏类型。在图7中,我们研究了每个时间步骤中所有玩家互动中的多数游戏类型(参见第4.6节)。图7显示了在不同不对称性值下,给定游戏类型作为多数游戏类型的时间比例,对于(A)N=20的混合良好情况和(B)C. elegans连接组拓扑结构。这些比例是基于10个种子的平均值。(A)混合良好的情况下,从99.6%的运行时间开始,系统完全同步到所有通信或所有不通信,这一点通过图3B至3D中的有序参数得到了证实。此外,通信同步的“all-C”比例依赖于不对称性,接近图3A中的通信频率fcomm(当B0=0.15时)。相比之下,(B)C. elegans系统从未同步,而是几乎总是由协调型游戏(当两个玩家都通信时,CC)和中立型游戏(当两个玩家都不通信时,NN)主导。下载:PNG较大图像TIFF原始图像图7。支付不对称性对所玩游戏类型的影响。所有玩家互动中的多数游戏类型作为所有玩游戏的比例,针对不同的不对称性值。游戏类型根据图例进行颜色编码;此外,“all-C”和“all-N”分别表示种群完全同步到通信或不通信的状态。网络拓扑结构是(A)N=20的混合良好种群和(B)加权、有向的C. elegans连接组。同样,(C)和(D)展示了仅考虑混合游戏类型时的多数游戏类型,对于(C)N=20的混合良好种群和(D)加权、有向的C. elegans连接组。图7C下方的蓝色插图放大了下方区域。所有比例都是基于10个种子的平均值。https://doi.org/10.1371/journal.pcbi.1014214.g007为了研究其他涉及的游戏类型,我们还可以考虑混合游戏类型(参见第4.6节)。在(C)混合良好的情况下,只有<1%的时间会出现不同步的情况。为了更好地观察这些游戏类型,图7C下方的蓝色插图放大了这些小比例。相比之下,(D)C. elegans系统显示了根据不对称性变化的各种最频繁的游戏类型:对于[值未提供],游戏类型为追逐;对于[值未提供],游戏类型为英雄;对于[值未提供],游戏类型为僵局。此外,C. elegans系统显示了一些游戏类型的异质性,第二种游戏类型(追逐)在[值未提供]的不对称性下有1%到18%的时间是多数。最后,我们注意到C. elegans的混合游戏分布与图7C混合良好设置中的混乱(即“all-C”或“all-N”以外的状态)多数混合游戏大致相同(参见蓝色插图)。总体而言,我们看到图结构减少了同步性,不对称性影响了主导游戏类型,这反过来又支持了嵌合体状态的形成。除了图7中显示的时间平均多数游戏类型外,我们还可以观察单个时间步骤中所有游戏的细粒度分布。图8显示了在C. elegans连接组的3,707个有向边中所有游戏的类型比例。该快照是在模拟时间t=4×10^6时拍摄的。(A)显示了每种游戏的比例,包括混合游戏(CN互动)以及CC互动(协调型游戏)和NN互动(中立型游戏)。(B)显示了仅限于CN/NC混合游戏的结果。下载:PNG较大图像TIFF原始图像图8。C. elegans神经元之间的游戏类型多样性。单个时间步骤中所有玩家互动的游戏类型作为所有玩游戏的比例,针对不同的不对称性值。游戏类型根据图例进行颜色编码;此外,“all-C”和“all-N”分别表示种群完全同步到通信或不通信的状态。网络拓扑结构是加权、有向的C. elegans连接组。(A)显示了每种游戏的比例,包括CC配对之间的“通信”游戏和NN配对之间的“中立”游戏,而(B)显示了仅考虑CN配对的混合游戏类型时的游戏类型。快照是在时间t=4000000时拍摄的。所有比例都是基于10个种子的平均值。https://doi.org/10.1371/journal.pcbi.1014214.g008图8中的所有游戏集与图7中的多数游戏相比显示了一些有趣的差异。首先,图8A中的全部游戏集合显示了比图7B中的中立和协调游戏更多的游戏种类。这表明这些混合游戏——困境、追逐、鸡博弈、英雄博弈、僵局和和谐博弈——存在于种群中,即使它们从未频繁到成为多数。同样,当仅查看图8B中的混合类型游戏时,我们看到[值未提供]的追逐游戏和图7D中从未成为多数的和谐游戏。对于[值未提供],我们看到图8B和图7D之间的相似性很大,这意味着每种存在的游戏类型都成为了多数,尽管它们的时间频率不一定与其空间频率相等。因此,我们看到在图2的扩展相空间中系统可访问的丰富游戏类型得到了彻底探索,即使在图7的多数指标中并非所有游戏类型都可见。3 讨论 我们可以通过将图7C中的混合时间序列结果与之前的研究[5]进行比较来验证我们的结果。他们的弱选择结果也显示系统几乎所有的时间都处于同步状态。当不同步时,他们的系统有多数鸡博弈(在其中标记为“snowdrift”)和追逐博弈(标记为“coordination”,不要与这里的协调型游戏混淆)。实际上,图2A显示追逐、困境和鸡博弈是[值未提供]唯一可用的游戏类型,这一点通过图7C下方的插图得到了我们的模拟的证实。接下来,我们将讨论观察到的嵌合体状态。另一项关于C. elegans连接组的研究也使用了一个完全非游戏理论的工具——模块化神经网络[24]发现了类似嵌合体的状态。这项研究将Hindmarsh-Rose常微分方程(ODEs)模型应用于具有化学和电连接的C. elegans连接组。作者使用walktrap算法将连接组分成六个群体,并在群体内部使用强线性电连接,在群体之间使用弱非线性化学连接。相比之下,我们的模型使用实验测量的化学连接组[21]中所有神经元之间的非线性化学连接,但没有包括(不同的)电连接组。作者发现了一个相对较大的亚稳态指数,对于强群体间电连接,该指数高达[值未提供]。相比之下,我们的模型生成的亚稳态指数较小;这可能是由于我们群体间和群体内的突触类型是同质的,抑制了亚稳态所需的异质性。此外,作者还观察到了类似嵌合体的状态,最大类似嵌合体指数为0.12。与我们对于[值未提供]的类似嵌合体指数的吻合是令人鼓舞的;在两种非常不同的神经元模型之间的一致性表明,这些类似嵌合体的状态是C. elegans连接组的稳健特征,与模型无关。此外,我们的模型在交互可解释性和计算便捷性两个方面都比Hindmarsh-Rose模型有两大改进。使用经典的2玩家游戏类型解释神经元互动可以洞察参数空间不同区域中显示的不同行为。此外,与像Hindmarsh-Rose模型这样的ODE系统相比,我们的离散策略和相位EGT模型在计算上要求较低。这种计算优势使我们能够进行广泛的参数扫描(参见例如第4.9节),以确定哪些参数组合产生最强的类似嵌合体信号。鉴于假定的类嵌合体状态在认知中的作用[19,20],这一计算工具能够将秀丽隐杆线虫(C. elegans)嵌合体状态的实验统计数据与单个神经元的收益B0等参数相关联,从而改进神经元特征描述,并促进进一步的计算机模拟研究。网络振荡器的嵌合体状态表现出同步和无序群体的共存现象,这种状态存在于大脑中[18,19],并且在人类认知中可能起着关键作用[18]。先前的研究[11]使用正弦耦合的Kuramoto振荡器(一种常见的神经元动态模型[10])来研究黑腹果蝇(D. melanogaster)中的类嵌合体大脑状态。然而,导致类嵌合体状态的小尺度进化因素仍然知之甚少。在本文中,我们将进化Kuramoto模型扩展为包括加权、结构化的交互图以及通信者和非通信者收益之间的不对称性。这种不对称性代表了通信和非通信生化过程的差异,其在混合群体中的作用表明,增加(减少)不对称性会抑制(促进)通信性。此外,我们将进化Kuramoto模型扩展到加权有向图,使得能够分析像秀丽隐杆线虫(C. elegans)这样的真实大脑网络。对秀丽隐杆线虫(C. elegans)神经元的模拟显示,图的加权性对通信频率的影响比图的有向性要大得多。最后,虽然混合良好的群体具有偶尔在同步通信状态和非通信状态之间切换的均匀群体,但秀丽隐杆线虫(C. elegans)群体则保持更为异质,具有稳定的、无序的混合游戏类型。这项工作的一个潜在局限性是对不同神经元类型进行了相同的处理。未来的扩展可以分别调整不同神经元类型的B0/c等参数,以更好地解释这些细胞的专门化。此外,未来的工作将集中在将EK模型应用于生成性大脑网络模型家族[30]上。本研究中分析的实证图例数量有限,这阻碍了确定通信比例与图属性(如边度、权重和方向性)之间精确关系的能力。然而,将该模型应用于参数化的图族可以允许微调参数以提取这些关系。另外,由于本研究仅考虑了一个物种的连接组,因此我们关于嵌合体活动依赖于图结构的发现是否具有普遍性尚不清楚。因此,通过将我们的EK设置应用于其他模型生物(如黑腹果蝇[31])来进一步研究这种联系是有趣的。我们关于边权重抑制通信的重要性的结果将优先在具有较大边权重异质性的连接组中增强类嵌合体状态。相反,边方向性的相对较小效应意味着具有大量双向配对连接的连接组可能具有较弱的类嵌合体状态。最后,观察到较强的选择强度会增强类嵌合体指数,这表明具有较高度节点比例的连接组具有更强的类嵌合体状态:在我们的模型中,较强的选择偏向于高度节点(因为我们使用的是总收益而不是平均收益);因此,自然具有更多高度节点的连接组将与我们强选择情况下的强类嵌合体状态相当。这项研究的一个关键发现是边权重对通信性的重要性;这与神经计算有重要相似之处,在神经计算中,边权重是功能性的主要驱动因素。此外,从如此简单的神经博弈论模型中观察到嵌合体状态的出现表明,神经元相互作用的性质可能是产生这些关键大脑状态的关键组成部分。我们证明了在秀丽隐杆线虫(C. elegans)连接组图中引入加权有向连接性足以生成由通信者和非通信者之间的收益不对称性调节的强健类嵌合体状态。总体而言,进化图论使我们能够将单个神经元的低级收益细节与类嵌合体状态等高级现象联系起来,这一模型可以作为阐明网络结构对神经动力学影响的宝贵计算框架。
4 方法
4.1 游戏设置
我们通过将相位角离散化为m个离散相位来模拟演化的耦合振荡器系统。游戏的策略空间是m个相位(我们的模拟中m=20)和2种通信选择(通信C和非通信N)的外积。对于给定的相位对,游戏由收益矩阵指定。如果一个玩家是通信者而另一个是非通信者(“混合游戏”,CN或NC),收益矩阵为(1);如果两个玩家都是通信者(CC),矩阵为(2);如果两个玩家都是非通信者(NN),矩阵为(3)(见图1C)。这里,B0、和c是定义游戏的无量纲固定参数。成本c代表通信者支付的代价,B0和分别是联合CC通信者和混合CN玩家获得的最大收益。相位依赖函数编码了标准Kuramoto模型中的正弦依赖性(向上移动以确保它始终为正)。最后,收益不对称性打破了当只有一个玩家通信时通信者和非通信者之间的收益对称性。我们注意到中点对应于对称情况。因此,我们在和两个参数上都加了2的因子,确保简化为,与之前的工作[5]一致。
4.2 群体设置
给定N个玩家,我们将一对加权有向图与群体相关联。在这些图上,N个节点代表玩家,加权有向边代表玩家之间的游戏。我们实现了两个相关的图:一个“交互”图表示玩家从谁那里获得收益,以及一个“繁殖”图表示玩家可以向谁传播其策略。为了简化,我们的繁殖图与交互图相同,只是在每个悬挂节点上添加了一个自环(即每个没有外出邻居的节点);混合良好的交互图没有悬挂节点,而秀丽隐杆线虫(C. elegans)图有五个悬挂节点。这些自环在繁殖图中是必要的,以确保每个节点都有正的入度,这是下一节描述的Moran过程所要求的。添加这些自环的唯一影响是对于(原本)悬挂的节点:现在,如果它们被选中进行繁殖,它们以概率进行突变,否则不进行任何操作。这种行为,加上悬挂节点的稀疏性(2%),意味着繁殖图的自环对整体动态应该没有显著影响。
4.3 生死Moran过程
群体根据具有指数适应度的生死Moran过程进行更新[32]。在每一轮中,执行以下步骤。首先,交互图中的每条边对应于头部节点j和尾部节点i之间的游戏,边的收益wi通过边权重进行缩放,并且只有头部节点i获得相关收益。由于秀丽隐杆线虫(C. elegans)的边权重是整数,我们也可以将每个边权重解释为两个节点之间进行的游戏次数。图1B展示了由一对加权有向边连接的两个交互玩家之间的这一过程的示意图。节点i的总适应度是选择强度与节点i收到的收益之和的乘积的指数,或者与所有指向节点i的边的总和的乘积。然后,以与节点fi的适应度成比例的概率选择一个焦点节点进行繁殖。最后,以与繁殖图的边权重成比例的概率从出生节点的外邻居中选择一个节点进行替换。以突变概率,死亡节点被一个具有随机策略的玩家替换;否则,它被一个与出生节点相同策略的玩家替换。这个生死过程每轮重复进行。
4.4 通信频率
我们将通信策略的频率fcomm(t)定义为在给定时间步骤中采用通信策略C的玩家的比例。我们还通过在整个模拟过程中平均fcomm(t)来定义时间平均通信频率fcomm。对于比突变周转时间长的模拟时间,初始的随机策略分布将可以忽略不计,时间平均值将对应于长时间极限。在S1 Appenidx的S1文本的第2节中,我们通过纳入收益不对称性推导出了混合良好情况下fcomm的解析表达式(S1 Appenidx中S1文本的方程10)。
4.5 游戏类型命名
交互图的每条边定义了它连接的两个玩家之间的游戏。使用它们的相对相位差,我们可以计算收益矩阵。通过比较四个条目的顺序,我们使用拓扑分类法[28]来确定游戏类型。使用这种分类法,我们计算方程1中收益矩阵的四个条目的序数排名,并为每个严格对称的游戏类型分配一个唯一的名称(例如,困境、僵局、鸡博弈等)。然而,图2B显示一些混合CN游戏位于两种游戏类型的边界上,例如当。分类法[28]根据平局的次数和位置对这些非严格游戏进行分类(“高平局”、“中等平局”、“双平局”等)。它还定义了一种选择相邻游戏类型以获得二项式命名的约定(例如,“高和谐”、“中等妥协”、“双协调”等)。我们遵循相同的约定来选择相邻游戏,但省略了平局指示符以保持图例的简洁性。具体来说,参考图2B,僵局和妥协游戏之间的平局正式对应于“低[僵]局”,但我们将其标记为僵局;类似地,保证和猎鹿游戏之间的平局是“中等[猎]鹿”,但我们将其标记为猎鹿,而和谐与和平之间的平局是“中等和谐”,简化为和谐。最后,NN游戏类型始终是“中立”的,而CC游戏类型始终是“双合作”,我们将其简单地标记为“合作”。
4.6 多数游戏类型
在每个时间步骤中,我们计算交互图中每条边的游戏类型。我们通过创建一个两两收益矩阵来确定游戏类型,其中两个玩家都有假设的选项切换到另一个玩家的策略/相位配对。然后使用第4.5节讨论的分类法为该交互分配一个游戏类型。接着,我们确定所有玩家交互中的多数游戏类型,其中每条边的计数都按其边权重加权。然后,我们计算给定模拟中所有时间步骤中这种“多数游戏类型”的频率,以确定常见的游戏分布。如图7A和图7C所示,这种“多数游戏类型”通常由中性游戏(NN玩家之间)和协调游戏(CC玩家之间)主导。为了分离其他涉及的游戏类型,我们还定义了一个“多数混合游戏类型”,仅计算混合CN或NC对之间的游戏(或根据需要将时间步骤标记为“全通信”/“全非通信”)。这种“多数混合游戏类型”显示了更多的多样性,并在所有其他图中都有体现(图3、图4、图7C和图7C)。请注意,边的游戏类型取决于玩家的动态演化通信策略(N或C)和相对相位,以及固定的游戏参数c、B0等。此外,这个指标仅对多数游戏敏感,因此不提供关于少数游戏类型存在与否的信息。
4.7 序参数
鉴于Kuramoto耦合振荡器系统启发了这个进化游戏模型,我们还定义了标准的Kuramoto序参数:(4)该参数的范围是从零到一,包括在内,表示群体的连贯性,其中表示完全连贯,表示完全无序。
4.8 类嵌合体指数和亚稳态指数
为了与之前对秀丽隐杆线虫(C. elegans)模型中类嵌合体状态的分析[24]进行比较,我们定义了一对与类嵌合体质量和亚稳态相关的指数[17]。首先,我们将游戏节点组织成M个不相交的社区。我们使用常数Potts模型和igraph库[33]实现的Leiden算法将节点分割成社区。特别是,我们使用了一个常数Potts模型,分辨率为0.1,随机细化方法,并进行了2次Leiden算法的迭代。这导致了M=6个社区Cm的产生。利用这些不相交的社区Cm,我们随后计算了每个社区Cm中成员j的时间依赖的、基于社区的序参量(如公式(5)所示)。然后,我们定义了一个类似嵌合体的指数(公式(6)以及一个亚稳态指数(公式(7)这两个指数都是针对M个社区和T个时间步长进行计算的。类似嵌合体的指数衡量了社区之间的连贯性差异:如果所有社区完全同步(例如,完全有序或完全无序),则该指数为0;而如果M个社区中有一半完全同步,另一半完全无序,那么在所有时间点上该指数的最大值为1(对于我们的M=6的情况)。同样,亚稳态指数衡量了系统的亚稳态程度(即系统在同步与无序状态之间的转换)。如果系统完全同步或完全无序,该指数为1;当系统在同步状态和无序状态之间花费相等的时间时,该指数达到最大值,此时离散均匀分布的方差为0.5。
4.9 敏感性分析
模拟使用了一组参数来探索系统参数空间的特定部分。图9将这种分析扩展到了对参数空间不同方向的敏感性分析。每个子图都展示了在改变单个参数时类似嵌合体指数的变化情况,该参数的变化在子图标题中有所说明。每个子图图例中指出了该参数的具体值,正文中使用的值用黑线表示,较小的值用蓝色线条表示,较大的值用红色线条表示。此外,每个图都是以不对称性(asymmetry)为函数来展示的,垂直误差条表示了十个种子实验中类似嵌合体指数的标准偏差。子图显示了类似嵌合体指数对以下因素变化的敏感性:(A)最大混合收益与最大联合收益比率,(B)最大联合收益与成本比率B0/c,(C)相数m,(D)选择强度(selection strength),以及(E)模拟运行时间T。
下载:PNG(较大图像)| TIFF(原始图像)
图9. 敏感性分析。该分析展示了当系统参数发生变化时,类似嵌合体指数(公式6)的变化情况。每个子图都是以不对称性为函数来绘制的。变化的参数包括:(A)最大混合收益与最大联合收益比率,(B)最大联合收益与成本比率B0/c,(C)相数m,(D)选择强度,以及(E)模拟运行时间T。每个子图的图例显示了变化参数的具体值;正文中使用的值总是用黑线表示,较小的值用蓝色线条表示,较大的值用红色线条表示。垂直误差条表示了十个种子实验中的标准偏差。
我们注意到,类似嵌合体指数对图9中显示的大多数参数的变化相对不敏感。对于参数(A)、(B)B0和(C)相数m的变化,其变化幅度都小于它们的标准偏差,表明这些变化在统计上并不显著。这种对相数m的不敏感性表明,对于主文中m=20的模拟来说,连续相的有限相位近似已经收敛。同样,参数(E)运行时间T的变化在除了最长时间T=8×10^7的情况外,其他情况下的运行时间都有重叠,这表明正文中使用的T=8×10^6能够代表系统达到稳态后的动态情况(即瞬态现象已经消失)。相反,类似嵌合体指数对参数(D)选择强度非常敏感。有趣的是,增加选择强度会进一步提高类似嵌合体指数。此外,为了进一步检验用离散值m来近似连续相位差的适用性,图10展示了通信分数fcomm作为最大联合收益B0的函数。垂直误差条表示了十个种子实验中的标准偏差;它们的重叠表明,对于这些m的值,通信分数也已经收敛。因此,正文中使用的m=20是一个对连续相的良好近似。
下载:PNG(较大图像)| TIFF(原始图像)
图10. 敏感性分析。该分析展示了当相数m发生变化时,通信分数fcomm的变化情况。图例显示了m的具体值。垂直误差条表示了十个种子实验中的标准偏差。
4.10 分析假设
图3A中混合良好的群体的通信频率将模拟结果与分析近似进行了比较。这一分析结果的完整推导过程在S1附录的方程式10中有详细说明,但在这里我们重点介绍这些近似中所做的假设。fcomm的推导仅直接适用于完全图,正如在混合良好情况中所使用的那样。此外,我们假设突变率很小,以至于前一次突变在下次突变发生之前就已经固定或消失了。如图3中的时间序列图(B–D)所示,突变几乎立即固定或消失(时间少于800个时间步长的采样频率),远早于平均突变时间。因此,对于我们选择的设置和参数,推导中的两个主要假设(完全图和低突变率)得到了满足。
致谢
我们感谢Dan Rockmore和Neukom研究所提供的集群计算支持。
参考文献
生物通微信公众号
生物通新浪微博
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