当神经元活动依赖的稳态可塑性(homeostatic plasticity)起作用时,它能在多大程度上维持电路层面的特性(circuit-level properties)呢?
《Journal of Computational Neuroscience》:When can neuronal activity-dependent homeostatic plasticity maintain circuit-level properties?
摘要:神经回路对威胁其功能的干扰具有惊人的鲁棒性。基于活动的稳态可塑性(ADHP)是一种稳定机制,它通过调节神经元离子传导性来对抗长期的活动过载或不足,从而支持这种鲁棒性。其恢复能力已在甲壳类动物口胃神经节的幽门回路中得到验证,该神经节的神经元必须按特定顺序放电以协调消化肌肉。在受到物理和药物操作干扰后,这一回路不仅能可靠地恢复组成神经元的活动水平,还能恢复正确的放电顺序。但是,仅基于每个神经元平均活动的局部信息的ADHP如何能够维持更高层次的回路属性呢?我们在一个幽门模式生成器的计算模型中探讨了这个问题。我们首先优化了一组类似幽门的网络,然后为每个网络优化了ADHP机制,以在参数扰动后恢复其幽门特性。这对某些网络是可能的,而对其他网络则不可能,因此我们旨在解释这种差异。我们发现,成功的稳态调节器针对的平均神经元活动水平仅存在于幽门回路中,而在非幽门回路中则不存在。因此,在参数空间的某些子集中,这种分离是可能的,活动携带了关于放电顺序的间接信息,ADHP可以利用这些信息来维持幽门特性。而在其他子集中,幽门平均活动与非幽门平均活动无法区分,因此无法完美调节。这种可分离性可能解释了不同干扰和个体之间的恢复能力差异。
引言:随着生物体的学习、发育和应对环境,神经回路的性质和组织结构会不断变化。尽管如此,这些回路在整个动物的生命周期中仍能稳健地协调行为。稳态神经活动调节或稳态可塑性是这种鲁棒性的重要贡献因素(Davis & Bezprozvanny, 2001; Davis, 2006; Turrigiano & Nelson, 2004)。基于活动的稳态可塑性(ADHP)指的是一系列细胞机制,通过这些机制,神经元可以感知自己的活动水平,并调节内在和突触传导性以避免长期的活动过度或不足(Davis & Goodman, 1998; Desai, 2003; Northcutt & Schulz, 2019; Pozo & Goda, 2010; Turrigiano, 2012; Wen & Turrigiano, 2024)。在各种实验中已经证明了ADHP的存在,其中神经元对长时间的人为活动刺激或抑制作出反应,表现为膜和突触特性的补偿性变化。然而,往往很难追踪这些变化的行为后果。因此,目前尚不清楚看似简单的单个神经元活动水平的维持是否以及如何能够稳定复杂的神经回路功能。例如,在培养的大鼠神经元中观察到了ADHP现象,这些神经元在活动剥夺或长期刺激后分别表现出兴奋性的上调或下调(Desai et al., 1999; O’Leary et al., 2010; Turrigiano et al., 1998; Tyssowski et al., 2019)。由干细胞衍生的人类神经元网络也表现出类似的反应,并显示出机制多样性。稳态反应与细胞外基质变化、突触前囊泡定位、突触后受体分布甚至星形胶质细胞相互作用等多种因素相关(Cordella et al., 2022; Yuan et al., 2023)。然而,尽管这些研究提供了有价值的机制数据,但培养的神经元脱离了生理环境,无法阐明ADHP对协调行为的维持作用。相反,ADHP的效果已在活体大脑皮层中得到测量。在单侧视觉剥夺的实验中,输入剥夺半球的突触驱动最初会下降,然后会在几天内逐渐增加以补偿这种干扰(Hengen et al., 2013; Keck et al., 2013; Lambo & Turrigiano, 2013; Maffei & Turrigiano, 2008)。假设感觉皮层中的这种稳态调节的目的是确保神经反应对传入刺激保持最大敏感性(Aizenman et al., 2003; Stemmler & Koch, 1999; Sullivan & de Sa, 2006; Wen & Turrigiano, 2024),但我们如何知道这足以保持视觉皮层的所有关键功能呢?观察到的补偿是否影响了视觉处理操作,或者是否只是平均活动得到了恢复而不涉及这些更细致的属性?为了研究结构化行为的稳态维持,最好考虑ADHP在具有明确行为功能的实体回路中的作用。
一个已经得到有效研究的突出例子是甲壳类动物口胃神经节的幽门子回路。幽门回路是一个中枢模式发生器(CPG),它控制从动物胃部到后肠的肌肉,引导有节奏的消化运动(Rezer & Moulins, 1983)。它包括一个内在的放电核,由一个前部放电(AB)神经元与两个幽门扩张(PD)神经元电耦合组成。这个核抑制两个条件性放电的跟随元素:一组幽门(PY)神经元和一个侧向幽门(LP)神经元(Harris-Warrick, 1992)。尽管在不同个体之间运动模式存在差异,但几个动态特征却非常保守(Bucher et al., 2005; Hooper, 1997; Soofi et al., 2012, 2014)。最重要的是,回路元素必须按特定顺序放电才能产生功能性运动节律。保守的重复序列是LP—PY—PD/AB,其中PD/AB细胞的起搏器核是同步的,LP放电的结束稍微重叠于PY放电的开始(Prinz et al., 2004)。当幽门神经元与其突触输入隔离并置于盐水中时,最初会沉默并对去极化产生典型的尖峰反应,但在培养三天后,它们会对相同的刺激产生正常的放电序列(Turrigiano et al., 1995, 1994)。同样,当保留局部连接但去除对神经节的输入(无论是通过药物还是切断传入纤维)时,节律会暂时停止,但几天后会恢复正常活动(Golowasch et al., 1999; Temporal et al., 2012, 2014; Thoby-Brisson & Simmers, 1998, 2000; Zhang & Golowasch, 2011; Zhang et al., 2009)。恢复过程不是均匀的,可能会经历多个幽门节律出现和消失的阶段,最终才会稳定下来。这些有节奏的活动时期被称为“发作”(Luther et al., 2003)。在这种实验设置中起作用的ADHP机制似乎通过追踪钙离子流入来指示神经元活动的升高或降低(Golowasch et al., 1999),并通过诱导离子通道表达(Temporal et al., 2014; Thoby-Brisson & Simmers, 2002)和定位(Mizrahi et al., 2001; Ransdell et al., 2012; Schulz & Lane, 2017)的变化来作出反应。总体效果是将膜兴奋性和突触连接性调节到适度的神经活动水平。关键的是,幽门回路受到干扰后,不仅仅是神经元活动水平得到了可靠恢复。神经元还按功能适当的顺序恢复放电——LP、PY、PD。与体外或皮层实验不同,幽门CPG提供了证据,表明ADHP可以通过局部活动反馈控制可靠地维持更高层次的回路属性。但这是如何实现的呢?根据当前的假设,ADHP机制没有检测放电序列或相位的方法,只能检测单个神经元活动水平。无论幽门神经元是否按正确顺序或显著相位偏移放电,单个神经元活动水平都是相同的。那么为什么ADHP从未错误地将回路恢复到活动相等但顺序错误的配置呢?如何能够通过在单神经元层面运行的调节机制可靠地维持如放电顺序这样的回路级属性呢?
这个难题的核心在于,回路可以用不同的底层属性生成相似的网络活动,这种现象称为参数退化(Beer et al., 1999; Prinz, 2017),它具有多种理论和实际意义。不仅在理论上有很多方法可以配置一个功能性的幽门回路,而且在实验中观察到的幽门神经元的传导密度实际上在不同个体之间变化很大(Goaillard & Marder, 2021; Goaillard et al., 2009; Schulz et al., 2006, 2007)。此外,恢复的回路往往表现出与干扰前不同的传导特性(Alonso et al., 2023; He et al., 2020; Nahar et al., 2012; Rue et al., 2022)。这表明ADHP并不强制神经参数保持预定值,而是作为一种反馈控制机制,允许参数自我组织(Marder & Goaillard, 2006; O’Leary & Wyllie, 2011)。问题是,如果检测到的神经活动本身是关键回路属性的不可靠指标,我们能有多可靠的预期进行这种自我组织呢?
计算模型已经在解决这个问题方面取得了一些进展。在基于传导性的神经元模型中,已证明简单的调节机制可以维持和恢复诸如发射频率(Abbott & LeMasson, 1993)和放电(Lemasson et al., 1993)等属性,甚至更抽象的特征,如尖峰适应性和对抑制脉冲的响应(O’Leary et al., 2014)。通常,这些模型中的ADHP机制通过将细胞内钙浓度(平均膜电压的指标)与预设的目标值进行比较,并调节去极化和超极化传导性来接近目标。有些机制甚至能够在幽门回路模型中恢复幽门放电顺序(Golowasch et al., 1999)。然而,这些模型中的调节成功仅限于特定的选定回路配置和干扰。如上所述,这是因为平均神经元活动水平并不是这些感兴趣属性的完美指标。即使ADHP使传导参数趋于一致,稳态稳态也只有时对应正确的神经动力学。为了提高放电动力学的恢复可靠性,Liu等人(1998)提出了一种更复杂的钙传感器模型,该模型由三个对不同时间尺度的钙波动敏感的组件组成。他们发现这种传感器提高了调节性能,因为其组件能够更可靠地区分需要多时间尺度动态的放电和其他如持续放电的轮廓(Liu et al., 1998)。但即使这种方法也未能在所有可能的初始条件下生成完美的调节性能(Alonso et al., 2023)。Günay和Prinz(2010)分析这种复合传感器在模型幽门网络数据库上的操作时发现,无论传感器设置如何精确优化,功能有序的网络也无法与功能失调的网络完全区分(Günay & Prinz, 2010)。
面对设计和优化越来越复杂的活动传感器以检测和维持神经回路所需的所有更高层次属性的前景,我们可能会问:对于生物学来说,“足够好”到底有多好?毕竟,真实的生物体并不能对所有可能的挑战都完全具有抵抗力。许多神经系统疾病都与稳态失败有关(McGregor et al., 2024; O’Leary et al., 2014; O’Leary, 2018; Vislay et al., 2013; Yang & Prescott, 2023)。进化似乎产生了稳态可塑性机制,这些机制能够很好地调节神经属性,以应对生物在其生命周期中可能遇到的各种干扰。因此,从一个解释稳态的视角来看待它可能会有所帮助,这个视角可以说明其权衡和限制,以及它令人惊讶的能力。这需要仔细考虑参数简并性、ADHP机制以及它们所弥补的干扰之间的关系。在这项研究中,我们提出了一个易于处理的神经模型,可以用来研究这种关系,并利用它来概述复杂神经活动稳态的必要条件。我们首先使用进化优化算法生成了许多不同的幽门电路模型。然后,对于每个电路,我们使用相同的算法来配置ADHP机制,这些机制可以在参数扰动后恢复幽门性的高级属性。我们分析了恢复性能的趋势,随着扰动、ADHP机制和电路的变化,目的是提取出一个通用的稳态成功标准。我们确定的标准是,满足稳态活动目标必须可靠地表明在所有可访问的电路配置中都有良好的性能。我们展示了这个标准如何解释和预测稳态恢复结果,同时阐明了电路鲁棒性的要求并确定了其限制。
2 方法
我们模型的基础是一个三神经元的连续时间递归神经网络(CTRNN),它可以根据网络参数的选择表现出固定或振荡的动态(Beer, 1995, 2006)。我们将之前用于判断脉冲神经网络幽门特性的实验标准(Prinz et al., 2004)适应到这个连续值网络模型中。基于这些标准,我们使用一种受进化启发的优化算法(Harvey, 2011)生成了一组具有幽门样动态的独特网络。然后,我们扰动其中的一部分网络参数并对其进行稳态控制。也就是说,可以使用神经活动根据之前为这种类型的网络制定的ADHP规则来调整这些参数(Williams, 2005)。至关重要的是,我们允许这些稳态调整规则的具体细节有所不同,测试这一广泛类别中的各种ADHP机制维持模型电路幽门特性的能力。
2.1 在CTRNN中定义幽门节律
我们的目标是参数化模型电路,使其神经激活能够以类似于幽门CPG的有序模式自主振荡。因此,我们将电路中的每个神经元按照典型幽门节律的组成神经元类型进行标记:幽门扩张器(PD)、侧向幽门(LP)和幽门(PY)神经元。请注意,同步的AB/PD起搏器核将由PD神经元整体表示,而PY神经元群体被视为一个统一的元素。网络状态的变化可以用三个微分方程完全描述:
$$\begin{aligned} {\begin{matrix} \tau _{LP}\hspace{2pt}\frac{dy_{LP}}{dt} & = -y_{LP} \hspace{5pt}+ \hspace{-10pt}\sum \limits _{i \in \{LP,PY,PD\}} \hspace{-15pt} w_{i\rightarrow LP}\hspace{2pt}\sigma (y_{i}+\theta _{i})\\ \tau _{PY}\hspace{2pt}\frac{dy_{PY}}{dt} & = -y_{PY} \hspace{5pt}+ \hspace{-10pt} \sum \limits _{i \in \{LP,PY,PD\}} \hspace{-15pt} w_{i\rightarrow PY}\hspace{2pt}\sigma (y_{i}+\theta _{i})\\ \tau _{PD}\hspace{2pt}\frac{dy_{PD}}{dt} & = -y_{PD} \hspace{5pt}+ \hspace{-10pt} \sum \limits _{i \in \{LP,PY,PD\}} \hspace{-15pt} w_{i\rightarrow PD}\hspace{2pt}\sigma (y_{i}+\theta _{i})\\ \end{matrix}} \end{aligned}$$ (1)
其中\(y_i\)代表神经元\(i \in \{LP,PY,PD\}\)的状态,\(\tau _i\)是它的时间常数(以秒计),\(\theta _i\)是其输出函数的偏置,\(w_{i\rightarrow j}\)是连接单元i到单元j的突触权重。神经元i的输出由\(\sigma (y_i + \theta _i)\)给出,这里的\(\sigma\)是S形激活函数\(\sigma (x) = 1/(1+e^{-x})\)(见图2B)。这些输出的值介于0和1之间,可以表示瞬时神经元放电率或最大放电率的比例。进一步地,我们可以选择一个爆发阈值,其中输出高于此阈值的时段构成一个爆发,低于此阈值的时段构成爆发间隔。对于本研究的目的,我们将爆发阈值设置为0.5,这是激活曲线斜率最陡的地方。根据这个阈值,我们可以将CTRNN节点输出的时间序列解析为具有精确开始和结束时间的爆发时期以及爆发间隔。输出不穿过0.5的神经元实际上被认为是沉默的(低于阈值)或持续放电的(高于阈值)。
使用这个定义的爆发,我们可以定义与体内幽门节律记录相似的标准。节律组成神经群体的爆发顺序是LP–PY–PD,且LP爆发的结束可靠地与PY爆发重叠。这些标准已被用于各种模型(Günay & Prinz, 2010; Prinz et al., 2004)和实验(Hooper, 1997)中,以评估和描述幽门模式。然而,这些标准并不足以普遍适用于任何重复的节律,因此我们必须进一步要求LP爆发在其他两个神经元沉默的时期开始。这个假设与大多数体内幽门记录(Hartline & Gassie, 1979; Hooper & Marder, 1987; Rezer & Moulins, 1983)非常吻合,并且允许LP爆发的开始作为节律的锚点——一个我们可以保证每个神经元的爆发都在任何有效节律的一个周期内开始和结束的起点。总的来说,我们提取了三个二进制排序标准,我们的模型节律必须同时满足这些标准才能被认为是幽门的:
- 所有神经元在LP爆发开始之前都是沉默的(\(LP_{S}\))
- PY爆发的开始与LP爆发的结束重叠(\(PY_{S}
< />
UB \end{array}\right. } \end{aligned}$$ (3)
其中LB和UB是目标活动范围的下限和上限(见图2a)。
总之,我们模型中的ADHP是一个相对简单的控制器。当检测到的神经元活动低于其目标范围时,其偏置会增加,使其激活函数向左移动,并增加其内部状态的每个值的输出。相反,当活动超过目标范围时,神经偏置会减小,使激活函数向右移动并减少输出(见图2b)。这些过程相对于神经活动波动的变化率是缓慢的,这是由于要求\(\tau _{\theta _{LP}}\)和\(\tau _{\theta _{PD}}\)至少比所有神经时间常数大五十倍。此外,为了反映膜电导不是无限可扩展的并且有物理限制的事实,我们规定了偏置不能增长或缩小的边界。对于以下的模拟,偏置被限制在范围\([-16,16]\)内。
图2
这个图像的替代文本可能是使用AI生成的。
全尺寸图像
a) 给定神经元i的广义稳态激活函数\(\rho \)作为神经活动\(o_i\)的函数。\(\theta _i\)的变化率与\(\rho \)成正比。LB和UB表示目标活动范围的下限和上限,在此范围内\(\theta _i\)的变化率为零。当活动低于目标范围时,\(\rho >0\)(a,绿色分支),\(\theta _i\)上调,使神经元i的激活函数\(\sigma (y_i+\theta _i)\)向左移动(b,绿色曲线)。
当神经元i的激活值超出目标范围时,\(\rho < 0\)(a,红色),因此\(\theta _i\)会被下调,激活函数向右移动(b,红色)。研究表明,应用这种机制并设置中心目标范围(\(LB=.25\),\(UB=.75\))会增加CTRNN发生振荡的倾向(Stolting等人,2023年;Williams,2005年)。这是因为当每个神经元的激活函数\(\sigma (\theta _i+y_i)\)位于其接收到的输入范围内时,目标的满足度最高。在所有神经元中都适用这种机制的电路配置,被称为中心交叉配置,比非中心交叉网络更倾向于表现出极限环现象,因为这些神经元具有最大的输入敏感性,并且更容易参与振荡动态(Mathayomchan和Beer,2002年)。因此,通过推动电路向中心交叉配置发展,ADHP系统性地促进了振荡。然而,没有理由怀疑这些振荡会系统地偏好任何特定的顺序(例如幽门顺序),更不用说可能对电路功能很重要的相对相位和时序的细微细节了。那么,问题就变成了,在什么条件下,这种依赖活动的稳态可塑性机制能够仅使用局部活动信息成功地调节电路级别的“幽门性”属性。3 结果 3.1 幽门网络的优化 我们在这个模型中列举调节结果的第一步是生成了一组参数不同的CTRNN,这些CTRNN满足电路级别的幽门性标准。遗传算法特别适合这种类型的集合模型优化。它们的随机性质确保每次运行算法时都会得到不同的参数化解决方案,以最小的先验假设探索可能性空间(Beer,1997年;Beer和Gallagher,1992年)。类似的技术甚至已被用来参数化基于导电性的幽门细胞和网络模型(Alonso和Marder,2019年,2020年;Smolinski和Prinz,2009年)。对于我们的案例,第2.1节描述的非稳态三神经元网络有15个自由参数:三个神经时间常数、三个神经偏置和九个连接权重。因此,这15个参数的值向量完全定义了一个CTRNN,该CTRNN通过定义的适应度函数进行数值模拟和评估其幽门性。更具体地说,适应度是按每个幽门要求以全有或全无的方式给予电路的。首先,对于每一个输出高于和低于爆发阈值的神经元,我们增加0.05分。然后,如果所有三个神经元都有定义的爆发,那么根据第2.1节列出的三个独立排序标准对电路进行评估;如果LP神经元在PY和PD的静默期间开始爆发,则增加0.05分;如果LP神经元在PY之前开始爆发,则再增加0.05分;如果LP神经元在PY之前结束爆发,则增加最后的0.05分。任何满足这六个标准的电路都被认为是幽门的,从而获得基础适应度(\(P_b\))0.3。这产生了:$$\begin{aligned} \begin{aligned} P_{b} =&0.05\,\bigl (n + \llbracket n=3 \rrbracket \, ( c_{gap} + c_{PY_S<LP_E}\\ \quad&+ c_{LP_E<PY_E}) \bigr ) \end{aligned} \end{aligned}$$ (4)其中n是高于和低于爆发阈值的神经元数量,\(\llbracket n=3 \rrbracket \)在 \(n=3\) 时值为1,否则为0。\(c_{gap}\in \{0,1\}\) 表示LP神经元在来自其他两个神经元的静默期间开始爆发,\(c_{PY_S<LP_E}\in \{0,1\}\) 表示PY爆发的开始是否与LP爆发的结束重合,\(c_{LP_E<PY_E}\in \{0,1\}\) 表示LP爆发是否在PY爆发之前结束。从100个随机参数化的初始电路群体中(见表1中的允许参数范围),适应度最高的个体被复制并随机突变,而适应度最低的个体则从群体中移除(Harvey,2011年)。经过100次这样的迭代后,最好的电路很可能会产生幽门振荡。如果产生了振荡,其参数集将被收集到一个数据库中。我们的目标是生成两个各包含100个幽门电路的数据库:一个数据库仅要求正确的爆发顺序,另一个数据库还要求爆发的实际相位和时序。为了填充第一个数据库,我们简单地重复了进化过程,直到进化出100个满足所有幽门爆发顺序标准的电路。在填充第二个数据库时,如果它们的爆发相对相位接近实验观察到的时间特征(来自H. americanus龙虾的准备工作,Prinz等人,2004年;表2),则允许幽门电路获得额外的适应度(\(P_t\),方程(5))。具体来说,每个神经元的占空比(爆发周期的比例)的z分数(用实验报告的平均值和标准差计算),以及从PD爆发开始到LP和PY爆发开始的相位延迟的z分数被平均,取倒数后加到适应度中。这产生了:$$\begin{aligned} P_{t} =&5/\bigl (\hspace{-12pt}\underset{i\in LP, PY, PD}{\sum }\hspace{-14pt}\big |z(d_i,\overline{d_i},s_{d_i})\big | +\hspace{-9pt} \underset{j\in LP,PY}{\sum }\hspace{-9pt}\big |z(\phi _j,\overline{\phi _j},s_{\phi _j})\big |\bigr ) \end{aligned}$$ (5)$$\begin{aligned} P =&P_b +\llbracket P_b=0.3 \rrbracket P_t \end{aligned}$$ (6)其中\(P_t\)是因与实验观察到的时间特征相似而获得的额外适应度,仅在满足所有排序标准时定义(\(P_b=0.3\))。时间特征包括\(d_i\),即模型神经元i的观察到的占空比(爆发持续时间/周期),以及\(\phi _i\),即神经元i的爆发相对于PD爆发开始的观察到的起始相位(延迟/周期)。这组描述符完全指定了任何节奏。\(z(x,\overline{x},s_x)\)是观察值x的z分数,用实验观察到的平均值\(\overline{x}\)和标准差\(s_{x}\)计算得出,即\(z=(x-\overline{x})/{s_x}\)。样本统计来自Prinz等人(2004年)并在表2中总结。为了进入这个更严格的第二个数据库,进化出的电路必须达到至少2的总适应度,满足幽门排序标准时获得0.3的适应度(\(P_b=0.3\)),并且至少达到1.7的适应度以获得时间相似性(\(P_t \ge 1.7\))。虽然第一个数据库中的电路产生的节奏在幽门性标准上都是满足的,但它们在质量上存在一些差异。在满足我们幽门性标准的十个不同节奏类别中(见图1),有八个由我们的第一个数据库中的电路表示。在第二个数据库中,施加了时间相似性要求,所有电路都是同一类型——\([LP_{start},PY_{start},LP_{end},PY_{end},PD_{start},PD_{end}]\)。这种排序是由于在所有五个相对时间指标上都完全符合实验平均值而必然产生的,在STG准备中通常观察到这种排序(Hooper,1997年)。稍后(第3.4节),我们将利用第一个数据集来研究增加异质性对稳态泛化能力的影响。然而,现在我们专注于这个更为同质的幽门电路数据库。尽管这些电路在动态上相似,但它们在参数上表现出显著的变异性。15个网络参数中有7个的跨度超过了其允许范围的大于94%。不幸的是,我们的样本太小,无法对这种变异性的结构进行有意义的分析(即进化电路参数之间的线性和非线性关系,以及幽门CTRNN解空间的几何组织)。我们将这个问题留到未来的工作中,并将读者引导到其他集合建模背景中,在这些背景下,这样的分析可以清晰地描绘出ADHP必须操作的参数景观(Ball等人,2010年;Beer,2006年;Doloc-Mihu和Calabrese,2011年,2014年;Foster等人,1993年;Goaillard和Marder,2021年;Hudson和Prinz,2010年;Lamb和Calabrese,2013年;Mittal和Narayanan,2018年;Sutulovic等人,2025年;Taylor等人,2006年,2009年)。然而,对于当前的研究来说,已经足够的是,我们进化出的电路之间的参数变异性与真实CPG中的可变导电密度一致(Calabrese等人,2011年;Marder等人,2007年;Schulz等人,2006年),并且它使我们能够评估ADHP在何种条件下能够或不能在电路扰动下保持幽门性。图3 这张图片的替代文本可能是使用AI生成的。完整大小的图像 CTRNN参数空间的切片,切穿了三个独特的进化幽门电路。每个大图展示了在保持其他参数为进化值的情况下,改变\(\theta _{LP}\)和\(\theta _{PD}\)的效果,我们的幽门性指标用蓝色阴影表示。彩色线条划分了质量上不同的稳态行为区域,这些区域在50秒的瞬态后进行评估(绿色-满足幽门排序标准,黄色-部分排序标准被违反,橙色-一个或多个神经元没有爆发,外部-没有神经元爆发),并附有每个区域代表性电路的示例神经输出时间序列(用编号点标记)。重要的是,由于参数集的不同,我们数据集中的电路对等效的参数扰动有不同的反应。扰动演化电路的参数可以产生一系列结果,从不违反幽门标准的变形神经爆发的形状和时序,到改变节奏组分的相对位置从而违反幽门标准,到中断一个或多个神经元的爆发从而使幽门标准变得不确定。在后续的分析中,我们将重点关注最终会受到稳态控制的两个参数\(\theta _{LP}\)和\(\theta _{PD}\)的扰动效果。图3绘制了三个示例电路对这些偏置值范围扰动的反应。每个子图展示了CTRNN参数空间的二维切片,其中\(\theta _{LP}\)和\(\theta _{PD}\)变化,而所有其他参数保持在进化电路的值。我们勾勒出了几个连续的区域,在这些区域内,平衡的神经活动在我们的幽门标准方面是相似的,并为每个区域的代表性电路绘制了神经输出时间序列。区域之间的边界标志着幽门性的突然变化,例如极限环不再满足一个或多个排序标准,或者某些神经元不再穿过爆发阈值。最外层的边界,所有神经元停止爆发的地方,通常大致对应于一个终止极限环的分岔。这种对应关系只是近似的,因为通常情况下,就像在超临界Hopf分岔中一样,极限环在消失之前会平滑减小,这种缩小阻止了神经状态即使在仍然振荡时也能穿过爆发阈值(例如参见图3a,时间序列5)。最后,虽然我们在这些图中没有标记,但一小部分扰动电路是多稳态的,即在神经状态空间中存在多个稳定平衡。因此,单个参数化的电路可能会根据它平衡的稳态具有不同的幽门状态。然而,在参数空间的相关切片中,多稳态很少见,所以通常可以假设每个参数集对应于一个具有明确幽门或非幽门状态的稳定极限集。因此,我们生成了一个包含100个参数不同的CTRNN的数据库,这些CTRNN产生相似的幽门模式。通过模拟STG的身体或环境扰动来扰动这些网络的参数,会根据扰动和电路的未受扰动参数产生不同的结果。我们将考虑在以进化幽门解决方案为中心的参数空间的二维切片内的平移,这些平移跨越了ADHP控制的参数\(\theta _{LP}\)和\(\theta _{PD}\)。因此,一个有用的ADHP机制应该作用于这些相同的参数,以在各种扰动后恢复幽门性。3.2 稳态机制的优化 接下来,我们询问了同时作用于LP和PD偏置的依赖活动的稳态可塑性是否可以在这些参数受到扰动后恢复幽门性。为了优化这项任务的ADHP机制,我们使用了与前一段相同的整体结构的另一个遗传算法。每个偏置参数\(\theta _i\)由四个“元参数”描述:其目标范围的下限(\(LB_i\))、目标范围宽度(\(UB_i-LB_i=\Delta _i\))、以秒为单位的滑动窗口大小(\(s_i\))和以秒为单位的调节时间常数(\(\tau _{\theta _i}\)。在我们的案例中,ADHP调节\(\theta _{LP}\)和\(\theta _{PD}\),这产生了八个ADHP元参数(见表1中的完整元参数总结和允许的范围)。在进化过程中,\(LB_i\)可以被允许取神经元可能输出范围内的任何值,从0到1。目标范围的宽度也可以是0到1之间的任何值,如果需要的话,上限\(UB_i\)被限制为1。滑动窗口持续时间(以秒为单位)被限制在[0,10]区间内,选择0表示瞬时活动检测。调节的时间常数(以秒为单位)被限制在[100, 200]的区间内。这确保了调节过程相对于神经状态的动态来说较慢,神经状态的时间常数被限制在[0.1, 2]的范围内,从而实现了至少50:1的最小时间尺度比率。这与之前实现该ADHP模型的时间尺度分离要严格得多,在之前的模型中,慢子系统的动态经常在行为时间尺度上产生振荡(Stolting等人,2023年;Williams,2004年)。虽然无法完全防止这些振荡,但我们发现,在ADHP下的神经动态可以通过具有同等冻结参数的网络进行局部良好近似,这在数学上是一个便利。尽管如此,即使是这种更大的时间尺度分离与已知的ADHP机制相比也显得微不足道。与几秒量级的行为时间尺度相比,稳态恢复可能需要几小时(3600:1)甚至几天的时间(Pozo和Goda,2010年)。为了评估单个ADHP机制对给定幽门网络的调节效果,我们首先将网络的LP和PD偏置扰动到一个均匀分布的3x3点网格(\{\-9, 0, 9\}^2)上的值,并允许网络在250秒内达到平衡。然后我们激活ADHP,并在调节期间的两个时间点评估网络的幽门适应性:一次是在2500秒后,另一次是在另外2500秒的连续稳态控制之后。这种两阶段测量过程确保了稳定的幽门结果是得到最大奖励的。此外,为了优先考虑那些从更多初始状态恢复幽门性的ADHP机制,而不是那些从较少的初始状态以更好的时机恢复幽门性的机制,我们对每次测量中符合幽门标准的节奏给予一个固定的适应性奖励。我们从所有九种初始条件开始重复这个评估过程,并平均所有测量的幽门适应性值来计算ADHP适应性(公式(7)。
$$\begin{aligned} \begin{aligned} A = \frac{1}{18}\sum _{i=1}^{9}[P&+ \llbracket P_{b}=0.3\rrbracket \alpha ]_{t=2500} \\&+ [P+\llbracket P_{b}=0.3\rrbracket \alpha ]_{t=5000} \end{aligned} \end{aligned}$$ (7) 这里,A是归因于单个参数化ADHP机制的适应性,i是\{\-9, 0, 9\}^2中枚举列表的初始条件索引,\(\alpha\)是每次电路恢复幽门性时应用的附加奖励(我们使用\(\alpha =25\)),总幽门适应性和基础幽门适应性P和\(P_b\)分别在2500秒和5000秒的调节后进行评估(\(t=2500\),\(t=5000\))。对于我们数据库中的100个感兴趣的幽门电路,我们进化了五种ADHP机制,每个进化试验都从50个随机选择的调节器开始,这些调节器进化了100代。在我们的71个电路中,至少有一种ADHP机制能够在所有\(\theta _{LP}\)和\(\theta _{PD}\)扰动下保持幽门性,即使在更广泛的6x6初始点网格(\{\-15,-9,-3,3,9,15\}^2\)上进行测试也是如此。在剩余的29个电路中,有26个电路至少有一种ADHP机制在某些扰动后恢复了幽门性,尽管不是所有扰动。因此还有3个电路我们无法进化出任何能够保持幽门性的ADHP机制。注意到这500种进化出的ADHP机制之间的性能差异,我们首先询问ADHP元参数的分布是否表现出与成功或明显进化压力相关的趋势(图4)。目标范围的下限\(LB_{LP}\)和\(LB_{PD}\)呈单峰分布,峰值出现在中等活动值处(a,e)。虽然成功的、混合的和不成功的ADHP机制在分布上没有显著差异,但这反映了我们稍后将在第3.3节中澄清的有意义的调节要求。接下来,目标活动范围的宽度(\(\Delta _i\)在几乎所有进化出的机制中都很小(b,f),这一趋势在成功的调节器中更为明显。在\(\Delta _{PD}\)的情况下,没有成功的调节器的目标范围超过0.373(f)。在第3.3节中,我们将解释为什么在这个模型中广泛的目标范围是有害的,它们施加了进化压力以缩小这些范围。进化的调节时间常数(\(\tau _{\theta _{i}\))也集中在它们范围的较低端(c,g)。然而,我们假设这一趋势是由于我们选择的模拟时间带来的人为压力造成的。为了验证这一假设,我们重新评估了一组随机选出的进化出的ADHP机制,但将它们的\(\tau _{\theta _{i}}\)值翻倍,并将允许的模拟时间也翻倍。每种机制仍然属于之前的相同性能类别。因此,最可能的解释是较短的模拟时间对于较慢的ADHP机制来说不足以达到它们的目标。在第3.3节中,我们将讨论为什么调节时间常数不影响ADHP的结果,而只影响达到目标的快慢。最后,滑动窗口持续时间没有明显趋势,在整个允许的范围内相对均匀分布(d,h)。因此,我们仅强调调节成功的最稳健的相关因素:低到中等的活动目标和狭窄的目标范围。通过后续分析,我们将能够解释为什么这些特征是有益的。
图4
这张图像的替代文本可能是使用AI生成的。
完整尺寸的图像
在不同范围内进化的ADHP元参数的分布(x轴),这些机制在多次扰动后未能(红色)、混合成功(黄色)或完全成功(绿色)恢复幽门性。五种ADHP机制针对每个100个幽门电路进行了性能优化。目标范围下限(\(LB_i\))的分布呈单峰分布,峰值低于0.5(a,e)。进化出的目标范围宽度(\(\Delta _i\))被强烈选择为较小,在\(\theta _{PD}\)的情况下,没有成功的调节器的范围宽度超过0.373(b,f)。调节时间常数(\(\tau _{\theta _i}\)也被选择为较小,但在允许的范围内存在成功的调节器(c,g)。滑动平均窗口的长度(\(s_i\))均匀分布,没有明显趋势(d,h)。
接下来,我们仔细观察了进化出的ADHP机制引起的参数轨迹。图5中的代表性例子表明,被调节的参数\(\theta _{LP}\)和\(\theta _{PD}\)倾向于收敛到参数空间中的一个或多个端点。当轨迹终止在\(\theta _{LP}\theta _{PD}\)平面的幽门区域时,这意味着幽门性已经恢复。如上所述,许多进化的电路-ADHP对只有这个结果,这意味着所有受扰动的电路都恢复到了一个幽门吸引子(例如图5,左列)。其他ADHP机制并没有如此可靠的成功结果。在另一个极端情况下,如果吸引子仅存在于幽门区域之外,那么ADHP无法维持幽门性,实际上会破坏它(图5右列)。即使轨迹恰好穿过幽门区域,神经元暂时表现出正确的振荡模式,它们也会继续进入一个功能障碍的状态。这反映了其他模型的发现,即使是逻辑结构良好的稳态机制也会破坏电路功能(O’Leary等人,2014年;O’Leary,2018年)。最后,在存在多个调节端点的情况下,其中一些可能位于幽门区域内部,而另一些则位于外部。这使得结果取决于扰动。某些扰动将电路置于幽门端点的吸引盆中,因此可以恢复。其他扰动将电路置于非幽门端点的吸引盆中,因此无法恢复。有趣的是,这个不幸的盆可能包括幽门区域本身的一部分。
尽管在我们的数据集中,接近中间端点是最常见的调节电路命运,但偶尔也会出现其他结果。首先,ADHP有时确实会将参数推向施加的边界条件。在这些情况下,轨迹仍然会收敛到边界上的一个点,该点可能位于也可能不位于幽门区域,但它们的收敛部分取决于施加的限制。其次,电路可能在参数空间中穿越极限环。这些轨道可以穿过平面的不同区域,导致电路在多个幽门状态之间循环。我们将在下一节的最后回到这两种替代结果。
然而,总的来说,稳态恢复轨迹倾向于接近一组端点,其中所有端点、部分端点或没有端点都位于幽门区域。这导致了对于所有初始条件、部分初始条件或没有初始条件的调节都是成功的。因此,我们的模型可以表示这些不同的现象,如功能恢复、扰动依赖性和病理性补偿。我们的下一个目标是推导出启发式方法来解释和预测我们模型中的这些调节结果。为此,我们仔细研究了系统在这些普遍存在的吸引点附近的行为。就像在其他几个神经ADHP模型中一样(Abbott & LeMasson,1993年;Olypher & Prinz,2010年),我们发现成功的ADHP机制的参数空间平衡点实际上根本不是点,而是小振幅的极限环。这些极限环在合理的绘图尺度上看起来是静止的(图5插图),但难以通过简单的分析方法识别。事后看来,这种参数振荡似乎是不可避免的,因为神经偏差保持静止(\(d\theta _i/dt = 0\))而神经输出在幽门模式下振荡的唯一方式是这些振荡完全包含在各自的靶活动范围内。鉴于我们进化的ADHP机制的范围很窄,这是不太可能的。参数振荡的小幅度是由于神经状态和偏差的变化率之间的时间尺度分离造成的,这确保了短暂偏离靶活动范围不会对偏差值产生剧烈影响,除非变化在连续的循环中积累。因此,当循环过程中上下偏离靶范围的情况相互抵消时,就会产生稳态吸引子。此外,时间尺度分离确保了,对于接近稳态吸引子的电路来说,无论参数是被冻结还是持续调节,神经动态看起来都非常相似。因此,关于在固定参数下发生的神经行为(即图3中划分的参数空间区域)的信息对于了解神经行为是相当有用的。尽管如此,ADHP吸引子不能仅通过将变化率设为零并求解系统状态来分析识别,但有了这两个观察结果(靶活动范围内的平衡和时间尺度分离),我们可以近似ADHP在参数空间中的流动并预测吸引子的位置。
图5
这张图像的替代文本可能是使用AI生成的。
完整尺寸的图像
进化的调节机制将参数空间轨迹吸引到一个或几个端点,从而产生可靠、混合或不成功的恢复结果。每个图表考虑了一个具有不同神经活动目标的进化出的ADHP机制,所有这些目标的范围宽度都接近零(浅蓝色和深蓝色条表示),它们作用于参数\(\theta _{LP}\)和\(\theta _{PD}\)被随机扰动从其进化值的示例电路。浅灰色轨迹跟踪了50,000秒(约13.9小时)内的参数变化,紫色点标记了模拟结束时的值。左列:两种可靠的ADHP机制能够从第一个示例电路的扰动中恢复幽门性(见图3a)。中间:混合成功的机制将一些轨迹吸引到幽门区域,其他轨迹则吸引到第一个和第二个示例电路之外的区域(见图3a和b)。右列:不成功的机制将所有轨迹吸引到第二个和第三个示例电路之外的幽门区域(见图3b和c)。插图:放大显示接近稳态“端点”的过程,实际上是一个在\(\theta _{LP}\theta _{PD}\)平面上投影的小振幅极限环。随着模拟的继续,颜色饱和度增加。下面的时间序列显示了模拟最后15秒内LP和PD神经元的输出,它们在其活动目标(阴影区域)周围振荡。
3.3 提取预测性能的对齐标准
为了解释我们数据集中调节器的不同成功率,我们必须描述ADHP机制的特征与其准稳态参数值之间的关系。为此,我们将描述\(\theta _{LP}-\theta _{PD}\)平面上的流场,并使用其零线来预测稳态端点及其吸引盆。根据这些端点的幽门状态,我们可以预测ADHP机制在一系列参数扰动后恢复幽门性的成功率。然后,考虑到所有可能调节给定电路的ADHP机制集合,我们可以通过仅基于电路附近神经活动与幽门性之间的关系来提取成功调节的必要和充分条件。我们对参数空间上流场的表征从定义网络参数变化率的稳态方程开始(方程(2))。由此,我们假设ADHP的慢时间尺度与神经状态的时间尺度明显不同(时间常数相差50-2000倍)。因此,我们假设当\(\theta _{LP}\)和\(\theta _{PD}\)变化时,神经状态会立即平衡到这些参数下非稳态CTRNN存在的极限集的某个成员。此外,正如我们在前一节中观察到的,稳态诱导的参数变化率相对于神经状态来说足够慢,以至于它只能在长期内产生显著效应。在神经活动振荡的情况下,我们将关注神经状态一个周期内的总体稳态变化率。这种通过平均快速子系统的值来近似慢速子系统变化率的策略在其他神经模型中也得到了成功应用(Abbott & LeMasson, 1993; Lemaire et al., 2025; Olypher & Prinz, 2010; Rinzel, 1987; Ryzowicz et al., 2026)。最后,对于任何将\(\theta _{LP}\)和\(\theta _{PD}\)设置为特定值\(\theta _{LP}^*\)和\(\theta _{PD}^*\)的电路,其中神经状态已经达到非稳态电路极限集的第n个成员,让\(o_i(\theta _{LP}^*,\theta _{PD}^*,n,t)\)代表描述神经元\(i \in \{LP,PD\}\)时间变化的函数。总之,我们有
$$\begin{aligned} \frac{d\theta _i}{dt}\propto \int _{s_i}^{s_i+T}\rho (\langle o_i\rangle _{s_i})dt \end{aligned}$$ (8)
当神经状态的渐近行为是振荡的时,T表示振荡周期。否则,T被固定在一个任意值。注意,如果极限集在\((\theta _{LP}^*,\theta _{PD}^*)\)处只有一个成员,这个值是唯一确定的。否则,如果电路是多稳态的,该值取决于当达到\((\theta _{LP}^*,\theta _{PD}^*)\)时神经状态所在的吸引盆。因为滑动窗口平均在进化出的稳态机制中的调节成功方面似乎没有太大影响(图4),我们将通过考虑不使用滑动窗口平均的ADHP来简化我们的分析(\(s_i=0,\langle o_i\rangle _{s_i}=o_i\))。此外,我们将区间[0, T]划分为几个部分,其中神经输出高于、低于或处于目标范围\([LB_i,UB_i]\)内。在不改变积分值的情况下,我们还可以重新排列这些部分,使得区间[0,T_1)捕获所有\(o_i< />
UB_i\)的值。这些重新排列的(可能是不连续的)神经输出时间序列将表示为\(\hat{o}_i\)。最后,为了后续分析,将\(UB_i\)表示为\(LB_i\)和目标范围宽度\(\Delta _i\)的和将是有用的。有了这个,我们有
$$\begin{aligned} \begin{aligned} \frac{d\theta _i}{dt}&\propto \int _0^{T_1}\rho (\hat{o}_i)dt + \int _{T_1}^{T_2}\rho (\hat{o}_i)dt + \int _{T_2}^{T}\rho (\hat{o}_i)dt \\&\propto \int _0^{T_1}\hspace{-2pt}(-\hat{o}_i+LB_i)dt + 0 + \hspace{-2pt}\int _{T_2}^{T}\hspace{-2pt}(-\hat{o}_i+UB_i)dt\\&\propto T_1\hspace{2pt}LB_i+(T-T_2)\hspace{2pt}UB_i - \hspace{-2pt}\int _0^{T_1}\hspace{-2pt}\hat{o}_idt - \hspace{-3pt}\int _{T_2}^{T}\hspace{-3pt}\hat{o}_idt\\&\propto (T_1+T-T_2)\hspace{2pt}LB_i+(T-T_2)\hspace{2pt}\Delta _i \\&\hspace{3em}-\int _0^{T_1}\hspace{-2pt}\hat{o}_idt-\hspace{-2pt}\int _{T_2}^{T}\hat{o}_idt \end{aligned} \end{aligned}$$ (9)
使用这个表达式,我们可以计算参数空间中任何点\((\theta _{LP}^*,\theta _{PD}^*)\)的净流场符号。如果神经状态在\((\theta _{LP}^*,\theta _{PD}^*)\)处趋近于一个固定点,它们将保持在目标范围的下方、上方或内部(分别考虑\(T_1=T_2=T\),\(T_1=T_2=0\),或\(T_1=0 \wedge T_2=T\)),因此我们只需要将固定点的值与目标范围进行比较。无论如何,由于我们主要关注\(d\theta _i/dt=0\)的稳态端点,我们可以从方程(9)确定点\((\theta _{LP}^*,\theta _{PD}^*)\)是否位于\(\theta _i\)维度上的零线(在其他地方称为等值线;Olypher和Prinz, 2010)上,对于给定的\(LB_i\)和\(\Delta _i\)的ADHP。构成这些零线的大部分点都是稳定的并且局部有吸引力,\(d\theta _{LP}/dt\)的正值位于零线左侧,负值位于右侧,或者在\(d\theta _{PD}/dt\)的情况下,正值位于零线下方,负值位于上方。在这个系统中,稳定性比不稳定性更常见,因为增加CTRNN神经元的偏置值会将其激活函数向左移动,这倾向于增加其输出(见图2)。正是这种直觉指导了ADHP模型的制定。然而,我们将看到,复杂的网络交互可能导致相反的排列,特别是在参数空间的振荡区域。无论如何,位于两条零线稳定部分的点\((\theta _{LP}^*,\theta _{PD}^*)\)将是稳态慢子系统的准稳态。当目标范围的宽度为零时,正如我们许多进化出的解的情况一样,方程(9)可以被显著简化。为此,我们定义单一目标活动值\(B_i=LB_i=UB_i\),设置\(\Delta _i=0\),并设置\(T_1=T_2\),以获得具有单一目标活动值的ADHP调节的净方向表达式:
$$\begin{aligned} \frac{d\theta _i}{dt}\propto T\hspace{2pt}B_i - \int _0^T\hat{o}_idt \end{aligned}$$ (10)
图6
此图像的替代文本可能是使用AI生成的。
为附近示例幽门电路作用的选定ADHP机制绘制的稳态零线。每列中间的颜色刻度标记了LP(深蓝色)和PD(浅蓝色)的活动目标,以及LP神经元(顶部)和PD神经元(底部)的平均值(见方程(11)以灰度显示)。在这些图表上叠加了\(d\theta _{LP}/dt=0\)(深蓝色)和\(d\theta _{PD}/dt=0\)(浅蓝色)的零线,其中与每个图表中显示的平均值对齐的零线是实线,而由另一个神经元的平均值派生的零线是虚线。来自相应模拟的稳态端点(见图5)用实心粉点标记。新识别出的不稳定点用空心粉点标记。
我们进一步可以看到,当目标活动范围的宽度为零时,ADHP的零线出现在满足以下方程的情况下:
$$\begin{aligned} B_i=\frac{1}{T}\int _0^T\hat{o}_idt=\overline{o_i} \end{aligned}$$ (11)
换句话说,它们出现在目标活动值等于神经输出的时间平均值\(\overline{o_i}\)的地方。这个结果在图6中用于分析我们在图5中突出显示的选定电路/ADHP对。对于\(\theta _{LP}\theta _{PD}\)平面中围绕我们三个示例电路的点(见图3和图5),我们计算了LP(图6,顶部)和PD神经元(图6,底部)的渐近平均值,然后绘制了当这个平均值等于神经元活动目标时的等高线(图6,实线)。这些线的稳定部分交叉处的实心点对应于早期模拟中的稳态端点。对于一些电路/ADHP对,稳定的交叉只存在于幽门区域内(左列),这在所有可能的扰动下都产生了可靠的调节。对于其他电路/ADHP对,它们既存在于幽门区域内也存在于幽门区域之外(中间列),产生了混合或依赖于扰动的调节。还有一些电路/ADHP对,它们只存在于区域之外(右列)或根本不存在,产生了破坏性的调节。因此,仅基于给定ADHP机制域内固定、非稳态电路的渐近行为,我们可以预测该机制调节幽门性的成功。
由于\(\theta _{LP}\theta _{PD}\)平面上的任何点都可以通过将ADHP的目标设置为其神经元的渐近平均值来变成稳态端点,我们可以通过检查平均值及其对应的幽门状态来分析调节的可能性范围。更具体地说,如果我们记录了幽门区域内每个点\((\theta _{LP}^*,\theta _{PD}^*)\)的渐近神经平均值\((\overline{o_{LP}},\overline{o_{PD}})\)以及幽门区域外每个点的渐近神经平均值,那么成功的ADHP机制是那些仅针对幽门区域内平均值的目标。尽管单个神经活动通常不指定幽门性的电路级特性,但重要的是,在ADHP可以到达的电路配置中,满足目标活动值的情况恰好意味着正确的突发顺序。对于那些成功的ADHP机制,它们针对的值同时出现在幽门区域内和外部。对于这些机制,目标活动值有时可能对应于幽门突发顺序,有时则不对应;结果取决于电路最初被扰动到的吸引盆。最后,无法调节幽门性的ADHP可能针对的值仅出现在幽门区域之外,或者它根本就没有稳态(即ADHP目标平均值在其域内不共现或不稳定)。
在图7中,我们通过比较我们三个示例电路附近同时出现的平均值的值、稳定性和幽门性与模拟ADHP机制的性能来测试这些直觉,这些ADHP机制具有零宽度目标范围、没有滑动窗口平均、中间时间常数(\(\tau _{\theta _i}=150\))以及所有可能的目标组合(\(B_{LP},B_{PD}\)来进行测试。除了由采样粗糙度和尖锐的幽门边界引起的轻微检测错误外,我们发现在我们每个示例电路中,预测都与模拟结果一致。
更一般地说,我们可以解释电路间可调节性的差异。在ADHP可到达的电路配置集合中(在这种情况下是穿过我们数据库中电路的\(\theta _{LP}\theta _{PD}\)平面),可能存在也可能不存在只存在于功能区域的神经平均值对\((\overline{o_{LP}},\overline{o_{PD}})\)。例如,在我们的第二个示例电路周围,每对存在于幽门区域的神经平均值也存在于其外部某个地方(图7c)。因此,最佳的ADHP最多只能针对其中的一个值并实现依赖于扰动的成功。这就是为什么我们的优化算法和后来对ADHP元参数空间的系统搜索都没有产生一个完全可靠的调节器。在我们的第三个示例电路中,没有一种神经平均值满足调节稳定性的标准。更具体地说,\(d\hspace{2pt}\overline{o_{LP}}/d\theta _{LP}\)在整个幽门区域内是正的。尝试通过增加LP神经元的偏置来补偿低于目标的活动反而进一步降低了平均活动水平,将轨迹推出了幽门区域。结果,ADHP甚至无法部分调节这个电路(图7f)。
在我们数据库中的100个幽门电路中,有80个可以被可靠地调节,因为存在仅在幽门区域内出现的平均值对。有14个电路无法实现完美调节,因为幽门平均值与非幽门平均值不可分离。只有一个电路(我们正在研究的那个)甚至连混合调节也是不可能的,因为所有的幽门平均值都是不稳定的。
有了这种理解,我们现在可以解释进化出的ADHP机制中观察到的一些趋势。特别是,我们现在知道调节成功取决于通过选择一个唯一被幽门振荡满足的目标活动值来破坏所有非幽门电路配置的稳定性。因此,使用滑动窗口平均、调整调节的时间常数或扩大活动目标范围(图4)是没有意义的。当应用于振荡时间序列时,滑动窗口平均只能稍微将检测到的平均值\(\overline{o_i}\)向渐近平均值偏移。调节的时间常数缩放了参数空间中所有流向量的幅度,但不影响渐近行为。因此,这两个元参数都不是ADHP适应性的良好预测因子。
相反,我们可以看到为什么狭窄的目标范围将非常有益,而宽目标范围会对适应性有害。更宽的目标范围不能产生比狭窄目标范围更多的幽门端点。它能做的最多是捕获更多的静态(因此是非幽门的)端点,如果这些端点存在的话。换句话说,狭窄的目标范围最小化了ADHP稳定“误报”的可能性——那些看似满足活动目标但实际上不起作用的电路配置。另一方面,假阴性情况——即ADHP未能识别某些功能性电路配置——并不具有害处,反而对于这种调节机制来说是完全必要的。我们还可以解释为什么幽门节律能够通过可能范围下半部分的活动目标得到很好的稳定(见图4a和e,以及附录图11)。为了用ADHP稳定幽门节律,每个神经元的靶标活动值必须与其在一个周期内的平均活动相匹配。在一个三相节律中,神经元大约分别有26.4%(LP)、34.8%(PY)和38.5%(PD)的时间处于活跃状态或爆发状态(见表2),因此它们的平均活动值必然会落在这个范围内。这解释了我们的特定进化结果,并提出了一个有趣的观点,即神经工作周期可能是用局部ADHP进行调节的一个特别方便的特性。
图7
这张图片的替代文本可能是使用AI生成的。
幽门和非幽门电路中存在神经元平均值的现象预示着ADHP在零范围内的调节性能。在穿过每个示例电路的\(\theta _{LP}\theta _{PD}\)平面上,我们检查了10,240,000个CTRNNs(\(\theta _{LP},\theta _{PD}\in [-16,16]\times [-16,16]\),并记录了它们的LP和PD神经元在一个节律周期内的平均值,或者对于非振荡电路则是50秒内的平均值,以及稳定性水平和幽门状态。绘制点(\(\overline{o_{LP}},\overline{o_{PD}}\))如果属于幽门节律则用绿色标记,属于非幽门节律则用红色标记,颜色的深浅程度表示稳定性的不同。对于零范围的ADHP机制,其中\(\tau _{\theta _i}=150\)且\((B_{LP},B_{PD})\)从\([0,1]\times [0,1]\)范围内选取,我们模拟了在25次\((\theta _{LP},\theta _{PD})扰动后电路的恢复情况。右侧的图表显示了在50,000秒后幽门状态被恢复的次数。对于所有三个示例电路,左侧和右侧的图表结果都高度一致,成功的调节都是针对仅在幽门区域内出现的稳定平均值。在我们的第一个示例电路(a,b)中可以实现成功的调节。而在第二个电路(c,d)中只能部分成功,因为幽门区域的平均值与非幽门区域的平均值无法区分。对于第三个电路(e,f),由于所有幽门区域的平均值都对这个调节机制不稳定,因此无法进行调节。
虽然我们的预测框架总体上是可靠的,但我们的数据集中包含了一些模拟的ADHP性能与预测不符的电路。这些情况突显了两个需要改进框架的重要方面:ADHP与分岔流形的相互作用以及施加的边界条件。其中一个异常电路的调节器在其元参数空间的不同区域表现出这两种现象(见图8b)。对于某些调节器(例如图8中的点1),ADHP的靶标仅出现在电路参数空间的幽门区域内,这应该会产生稳健的调节作用。然而,有一部分轨迹从未达到预测的幽门终点,而是陷入了一个稳定的参数极限环中。这个周期的周期约为975秒,其路径不会进入幽门区域,因此不会产生幽门神经动态。它的位置不与任何稳态零线重合,远离参数空间中平均神经活动接近稳态靶标的区域。实际上,跟随这个循环的神经参数在两个固定点之间的双稳态带内来回切换。当状态到达第一个固定点(位于循环最左上方的点,是单稳态的)时,LP神经元的活动低于其靶标值,而PD神经元的活动高于其靶标值。ADHP将电路参数向下和向右推动,从而引入了一个新的稳定固定点,但神经状态仍然处于第一个固定点的吸引范围内,直到它失去稳定性(循环最右下方的点)。此时,神经状态迅速转移到另一个稳定点,此时LP活动过高而PD活动过低。电路参数被向上和向左推动,神经状态跟随这个新固定点穿过双稳态区域,直到只剩下原始的固定点,循环再次开始。因此,尽管在循环的任何时刻都未能稳定地达到靶标平均值(并且实际上也不与任何附近的稳定固定点重合),它仍然会吸引附近的稳态轨迹。这一现象表明,在预测调节结果时,仅仅检查平面上存在的平均值(\(\overline{o_{LP}}, \overline{o_{PD}}\))是不够的;我们还必须插值考虑参数空间中接近的固定点之间的值,因为它们有可能产生异常的非幽门吸引子。
这个电路的其他调节器展示了ADHP与参数边界相互作用的偶尔重要性。在这个模型中,由于我们将神经偏差限制在[-16,16]的范围内,这些边界线构成了所有ADHP机制的额外零线。如果稳态流向量指向边界之外,并且如果这些边界线穿过幽门区域,那么它们可以与其他参数的零线相交,从而产生幽门终点。对于我们的示例电路来说,这种情况是成立的,它可以被一组“条带”形式的ADHP机制有效调节,这些机制的目标是位于边界处的幽门区域的PD平均值,以及大于边界处的LP平均值(见图8a-b)。然而,这些参数值的范围限制,无论是离散的还是渐近的,无论是来自其他规则还是由建模者直接设定的,都会引入另一个零线。因此,有效的ADHP性能预测不仅需要考虑ADHP可访问平面上存在的靶标平均值对,还需要考虑由参数边界处的平均值和其他参数超出其边界值的值组成的对。
一些电路代表了所描述预测框架的例外。ADHP可访问电路配置中神经元平均值的分布(a)与模拟的ADHP性能(b)进行了比较(如图7所示)。两个不一致的区域(点1和2)归因于两个显著的特殊现象:(1)当ADHP靶标设置为与点1匹配时,我们预测会出现一个幽门终点。在模拟中,随机初始化的轨迹要么接近一个幽门终点(粉红色点),要么无限振荡(由粉红色虚线轮廓表示的稳定极限环)。在这个极限环中,没有任何时候靶标平均值能够稳定达到。相反,神经状态在两个固定点之间来回切换,这些固定点的值分别高于和低于其靶标值,随着系统穿过一对分岔线而突然出现和消失。(2)当ADHP靶标设置为点2时,上边界\(\theta _{LP}=16\)被利用来创建一个吸引所有轨迹的幽门终点(粉红色点),即使\(\overline{o_{LP}=B_{LP}\)无法达到。
在本节中,我们概述了一个框架,用于预测零范围ADHP机制在给定电路受到参数扰动后恢复感兴趣的功能特征(幽门状态)的成功性。简单来说,针对总是与幽门状态同时出现的神经活动值的ADHP将可靠地恢复幽门状态。尽管平均神经活动本身不是我们感兴趣的特征,甚至通常也不是该特征的一个好的指标,但重要的是在相关参数空间子集中,平均神经活动可以作为功能性的可靠代理。在这种情况下,相关的参数空间子集是ADHP可以从电路扰动状态到达的电路配置集合。到目前为止,这些一直是通过已知幽门电路的2维参数空间切片,对于这些电路,特定的ADHP机制可能是也可能不是可靠的调节器。接下来,我们将探讨当ADHP必须推广到占据不同参数空间区域且具有不同环境的各种退化电路时,这些见解如何适用。然后,我们将我们的预测框架应用于三维(而非二维)环境中的ADHP,并强调增加受调节参数数量时的重要考虑因素。
在我们的研究中,到目前为止,我们已经优化并分析了ADHP在优化后的幽门电路周围特定、受限参数空间区域的调节性能。我们经常发现,数据库中一个电路最成功的调节器与另一个电路最成功的调节器有所不同。然而,如果ADHP能够广泛应用于各种电路配置,而不仅仅是针对个别电路进行定制,那么它将更具优势。毕竟,即使生物体在发育和与其他物种成员分化时,它们也必须依赖于某种一致的调节机制来维持功能。因此,我们将使用当前模型来探讨在什么条件下,特定的稳态可塑性机制能够推广到退化电路配置中。
最直接的推广情景是不同电路配置附近的平均神经活动值分布相似。关键在于,如果指定了幽门状态的一组神经活动平均值与指定另一个电路幽门状态的一组神经活动平均值重叠,那么就可以设计出一个通用的ADHP机制来针对这种重叠区域内的活动平均值。图9a展示了一个例子,其中成功调节电路1的零范围ADHP机制集合与成功调节电路2的集合重叠。如果候选电路没有任何唯一指定幽门状态的神经平均值,我们的框架表明,具有零靶标范围的ADHP机制无法可靠地同时调节这两个电路。有时可以做出妥协,如果存在至少部分调节这两个电路的ADHP机制(如图9b所示)。从机制上看,这意味着在一个电路中指定幽门状态的神经平均值对至少存在于另一个电路的幽门区域内,尽管它们也存在于幽门区域之外,从而导致性能依赖于扰动。更糟糕的情况是,每一对指定一个电路幽门状态的神经平均值对仅存在于另一个电路的幽门区域之外,反之亦然(见图9c)。在这种情况下,即使每个电路都能独立可靠地被调节,也无法设计出能够在它们之间进行普遍调节的ADHP机制。
在这些数据库中,对于个别可调节的幽门振荡器电路对,普遍存在推广的可能性。令人惊讶的是,绝大多数电路对都是相互可调节的,具有重叠的成功ADHP机制集合。数据库中有80个电路至少有一个可靠的成功ADHP机制,从而产生了3160个可测试的电路对。对于其中3057个(96.7%)电路对,成功调节的机制集合有重叠,表明存在一个可以推广到两个电路的ADHP机制。鉴于这个具有相似振荡时间的电路数据库中ADHP推广的显著比例,我们想知道这个结果在多大程度上是由电路间的相似性驱动的。因此,我们再次对另一个更加异质的幽门电路数据库进行了推广分析。在这个数据库中,有85个电路可以被某种零范围ADHP机制可靠地调节(3570个可测试的电路对)。在测试ADHP在电路对之间的推广能力时,我们发现成功率显著降低(2469/3570 = 69.2%)。因此,对于具有相似动态特性的电路来说,单一的ADHP机制更有可能实现泛化,而对于动态特性不同的电路则不然。我们可以使用所提出的框架更精确地解释这一观察结果,该框架通过参数空间中特定子集中的幽门和非幽门平均活动值的分布来解释ADHP的成功。尽管在时间匹配数据集中的所有电路参数都不同,但它们似乎来自参数空间的一个相对有限的邻域。在这个邻域内,幽门区域内的神经平均值与非幽门区域内的神经平均值相比分布更为相似,这与它们在整个参数空间中的分布情况不同。这可以解释为什么通过指定幽门端点来排除非幽门电路配置的ADHP机制更容易在这些电路中实现泛化。当比较两个数据集中所有电路的零范围ADHP机制的泛化性能时,这一假设也得到了体现。虽然在两个数据集中,低到中等的靶值最有可能获得广泛的成功,但在第一个数据集中,成功的靶值高度一致,且良好的整体性能区域反映了单个电路性能图的形状(见附录图11)。我们的框架还强调,稳态泛化性的问题需要考察参数空间候选区域内功能性和非功能性电路配置的分布。这些分布的可分性是调节机制成功的基础,无论是对于单个电路还是多样化的群体而言。
在本节中,我们考察了ADHP在不同未调节参数(到目前为止包括神经时间常数、突触权重和\(\theta _{PY}\))的电路之间的泛化能力。尽管某些神经电路的属性超出了任何给定稳态可塑性机制的控制范围,但尚不清楚调节参数与未调节参数的比例如何影响稳态可能性。在下一节中,我们将展示这一比例稍微增加的后果。
3.5 导航更高维度的参数空间
作为该模型的最终扩展,我们将把我们的预测启发式方法应用于调节所有三种神经偏置(\(\theta _i, \hspace{2pt}i \in \{LP,PY,PD\}\))的ADHP,将稳态可访问的子空间从二维扩展到三维。在更高维度子空间中计算电路的平均活动和幽门性的计算负担呈指数级增加,但即使朝这个方向迈出一步,也能说明一些基本考虑。首先,基于我们在二维情况下的结果,我们应当如何看待引入另一个神经偏置(本例中是PY神经的平均活动)到稳态控制下的好处和缺点呢?一方面,增加这一属性肯定有助于区分不同的电路配置(Olypher & Calabrese, 2007; Onasch & Gjorgjieva, 2020; Yang & Prescott, 2023)。例如,基于平均LP和PD活动无法区分的幽门和非幽门配置,可能可以根据PY活动被分离成幽门和非幽门子集。另一个潜在的好处是,更大的ADHP可访问搜索空间可能包含新的幽门电路配置作为目标,其中一些配置即使在二维子空间中无法区分,也可能被区分开来。另一方面,这个更大的空间也可能包含更多的非幽门电路配置,其平均活动值可能会破坏之前可以区分的幽门集合。那么,在我们的模型电路群体中,增加维度的影响哪个更强呢?
为了回答这个问题,我们系统地在三维ADHP元参数空间(每个神经的靶活动值范围从0到1,步长为0.05)中寻找能够维持每个基本数据库中电路幽门性的调节器。我们测试了每种机制从27种不同的偏置扰动中恢复幽门性的能力,这些扰动发生在3x3x3的网格\(\{-10,0,10\}^3\)上。我们发现,最佳的3D ADHP几乎总是能够达到或超过2D ADHP对单个电路的能力。每个在二维上由于幽门和非幽门平均值不可区分而受到限制的电路,都可以通过3D ADHP机制得到完美调节,这表明沿着第三维度功能性和非功能性配置是可区分的。实际上,即使在100个电路中,只有一个电路无法被3D ADHP机制完美恢复幽门性。总体而言,对于这些电路来说,增加稳态维度的好处似乎超过了任何缺点。
然而,目前尚不清楚在更高维度下,那些在二维中证明具有预测价值的必要和充分条件是否仍然适用。为了评估这一点,我们将先前的方法扩展到预测3D ADHP机制在我们进化出的一个电路上的性能,并将其与模拟结果进行比较。本分析中调节的电路是上述图3-7中的第二个示例电路。2D ADHP机制无法稳健地调节这个电路,因为2D子空间中的幽门电路配置与非幽门配置无法区分。我们在一个均匀分布的3D网格上模拟了1,000,000种3D ADHP机制,每个神经的靶活动水平范围从0到1,步长为0.01。与之前一样,每种机制的性能是通过在50,000秒模拟时间后电路恢复到幽门性的参数扰动比例来评估的(见图10a)。我们发现,在广泛的靶活动值范围内,3D ADHP机制的表现都非常完美。然后,我们根据3D可访问子空间中幽门和非幽门电路的平均神经活动值分布来验证观察到的性能是否出现在我们预期的位置。如同之前一样,我们在这个子空间中采样电路配置,保持神经时间常数和连接权重在进化后的值不变,但改变神经偏置值,这些值在均匀分布的3D网格上变化范围从-16到16,步长为0.05。在评估每个电路配置的幽门状态和每个神经的时间平均活动值之前,我们让神经状态达到平衡。为了视觉清晰度和与模拟程序的一致性,我们将平均活动值四舍五入到最接近的0.01,并将具有相同四舍五入值的电路配置归为一组。然后,对于每一组四舍五入的活动值,我们可以评估显示出这些平均值的电路配置中有多少是幽门的和非幽门的。结果如图10b所示。我们发现3D ADHP机制在这一特定电路上的预测和模拟的幽门恢复结果之间存在很强的一致性。确实,在ADHP元参数空间中有一个中心凹形区域,它包含了在幽门电路配置中独特(或几乎独特)表示的高性能机制。
然而,在ADHP元参数空间的两个区域内,模拟性能没有达到预测结果。为了解释这种差异,我们仔细研究了这些区域中的特定ADHP机制。我们发现,相应的稳态轨迹并没有接近神经参数空间中的单一点,也不会围绕它们进行小幅振荡。它们保持稳定的大振幅振荡,这些振荡经常穿过幽门和非幽门区域(见图10c)。当这种情况发生时,就像这两个示例机制一样,神经状态动态的幽门特性取决于振荡的相位。尽管我们的框架预测ADHP可访问子空间中的所有稳态吸引子都位于幽门区域内,但稳态轨迹实际上遵循这个吸引周期。长时间尺度的极限环也解释了之前不稳定的电路(图3-7中的第三个示例电路)的新可调节性。我们知道,在2D子空间中,这个电路周围的所有幽门电路配置在结构上都是不稳定的。而且,并不是3D子空间包含了可以被ADHP可靠调节的稳定配置。相反,3D ADHP机制能够诱导出一个完全包含在幽门区域内的长时间尺度极限环。实际上,除非ADHP可访问参数子空间的某个区域在至少一个维度上表现出稳态不稳定性,否则这样的长时间尺度极限环是无法存在的。也就是说,至少必须有一个被调节的参数对平均神经活动有与“预期”效果相反的作用。随着调节维度的增加,这种情况的可能性越来越大。
总的来说,当这些极限环存在时,它们通常会影响ADHP性能的预测。在没有这些极限环的情况下,ADHP性能仍然可以通过ADHP可访问子空间中幽门和非幽门电路之间神经活动值的分布得到很好地预测。未来的研究可能会借鉴分岔理论来确定ADHP机制(以及它们运作的环境)的特定属性,这些属性将稳态端点转化为参数极限环。结合当前的框架,这将提供一个适用于多个调节维度的ADHP结果的完整解释。
图10
我们的ADHP性能预测框架可以扩展到三个被调节的维度(\(\theta _{LP}\)、\(\theta _{PY}\)和\(\theta _{PD}\)。(a)我们系统地模拟了1,000,000种ADHP机制,这三个神经的靶活动值在3D网格上定义,范围从0到1,步长为0.01。显示点的颜色(从红色到绿色)和大小(从小到大)反映了相应ADHP机制在50,000秒(13.9小时)模拟时间后成功恢复到幽门性的非零参数扰动数量(从\{-10,0,10\}^3\)中选出了27个)。(b)我们将这与每种ADHP机制的预测性能进行比较。这里点的颜色和大小反映了幽门和非幽门ADHP可访问电路配置的比例(在3D网格上采样,每个神经偏置的范围从-16到16,步长为0.05),这些配置的平均神经活动值最接近这些目标。大的绿色点标记了只出现在3D ADHP可访问子空间幽门区域的平均值。小的红色点标记了始终出现在非幽门区域的平均值,而那些从未出现在幽门区域的平均值则没有被显示。(c)我们重点关注了元参数空间中两个代表性ADHP机制1和2,这些机制的模拟性能没有达到预测结果。我们看到参数空间轨迹收敛到标记为1和2的极限环,它们的周期分别约为8575秒和8150秒。
4 讨论
使用我们的幽门中央模式发生器模型,我们概述了局部活动依赖的稳态可塑性调节电路级动态特性所需的条件。我们发现,调节的成功取决于一系列特征,包括初始电路配置、稳态神经活动目标和要恢复的扰动。当从受扰动状态可访问的电路配置集中达到稳态目标时,可靠性最高,而所有非功能性电路配置则会引起稳态变化。在这些条件下,除非有其他因素如边界相互作用、长时间尺度振荡和吸引性分岔点,否则任何调节参数的扰动都将恢复到功能状态。否则,满足稳态目标的非功能性配置将成为不必要的吸引子,使恢复结果依赖于扰动。
这一发现的一个含义是,ADHP性能受到从受扰动状态可访问的电路配置集合的限制。显然,如果不存在调节参数可以假设产生功能性动态的一组值,那么ADHP就不可能恢复良好的性能。另一方面,即使某些调节参数的组合可以产生良好的解决方案,也不能保证这些解决方案在实践中是可实现的。例如,我们发现参数空间的某些区域会排斥所有“逻辑”结构化的ADHP机制的轨迹。在这些区域内,增加和减少单个神经的兴奋性会产生与其预期相反的效果,分别降低和增加平均活动。这样的电路配置无法通过ADHP稳定下来。最后,可访问的电路配置集合可能是这样的,即扰动依赖性是不可避免的。当功能活动平均值の分布完全与非功能平均值的重叠时,就会发生这种情况。因此,不可能指定一组目标平均值来可靠地指示良好性能并排除故障状态。这些条件强调,为了充分解释稳态结果,我们必须同时理解稳态机制的运作方式及其所处的参数环境。这种参数环境由参数扰动、受调控的参数集合以及它们演化的规则共同决定。在本研究中,\(\theta _{LP}\)和\(\theta _{PD}\)根据每个神经元的活动独立进行调控,我们仅考虑了这些受调控参数的扰动对各种演化电路的影响。这意味着,我们需要评估的ADHP可访问参数空间的相关子集,或者用于预测结果的电路配置集合,是在参数空间中穿过演化电路并沿\(\theta _{LP}\)和\(\theta _{PD}\)轴从-16延伸到16的二维平面。如果我们做出了其他建模选择,相关子集需要相应调整,但相同的预测框架仍然适用。例如,如果我们允许ADHP调控\(w_{LP\rightarrow LP}\)和\(w_{LP\rightarrow PY}\),但希望扰动\(\theta _{PD}\),那么对于每个考虑的扰动,我们将ADHP可访问的子空间定义为穿过扰动电路并沿\(w_{LP\rightarrow LP}\)和\(w_{LP\rightarrow PY}\)轴延伸的平面。任何在ADHP可访问子空间中的\(\theta _{PD}\)扰动,如果能使功能电路从非功能状态恢复到功能状态,则可以可靠地实现。然后,就像我们在第3.4节中比较ADHP在多个简并电路上的泛化能力一样,我们可以评估相同的ADHP机制是否能够恢复\(\theta _{PD}\)的多种扰动。
稳态调控规则的结构也会影响ADHP可访问的子空间。例如,在真实的神经电路中,ADHP同时调控与每个神经元相关联的多个参数,其中一些过程甚至共享分子机制(MacLean等人,2003年,2005年;Northcutt和Schulz,2019年;Pozo和Goda,2010年;Ransdell等人,2012年;Temporal等人,2014年)。因此,多个参数的稳态诱导变化是相互关联的,参数空间的移动被限制在机械上定义的方向内。在我们的模型中,例如,我们可以规定每个神经元的活动用于调控其偏置\(\theta _{i}\)和来自LP的输入权重\(w_{LP\rightarrow i}\)。根据定义,如果相同的活动值\(o_i\)用于以相等(或成比例)的幅度驱动两个参数的变化,那么参数空间中任何点的稳态流向量在这两个分量上的幅度也将是相等(或成比例)的。对于经历参数扰动的电路,ADHP可访问的参数空间子集不再是围绕扰动状态的整个N维空间,N是受调控参数的数量。相反,ADHP可访问的参数空间子集是所有有效参数流分量的跨度,包括扰动状态。在我们有三组相互关联的参数的情况下,这会产生一个与任何轴都不对齐的3D参数空间子集。需要注意的是,子空间的维度从6个独立维度减少到了3个组合维度。正如其他包含类似相互依赖性的ADHP模型所指出的,这往往使得调控结果更加依赖于扰动(Abbott和LeMasson,1993年;Franci等人,2020年;Lemasson等人,1993年;Olypher和Prinz,2010年)。毕竟,在没有依赖性的模型中原本是一个统一的N维子空间,现在变成了对于每次受调控参数扰动都有不同调控特性的独立子空间系列。未来对这个模型的迭代可以探索日益相互依赖的参数调控谱,并使用这种预测框架来研究其效果。
在描述了这些电路可调控性的差异之后,我们注意到这种特性是可以选择的。为了培育出稳健的神经电路,进化和发育可能会偏好那些易于通过现有调控机制维持的配置。在当前模型的背景下,这意味着偏好ADHP可访问子空间中胃幽门和非胃幽门配置具有明显可区分的神经平均值的电路参数。在那些情况不成立的子空间中,不可能指定任何能够可靠避免故障状态的ADHP机制。因此,即使这样的参数集合可以产生完全有效的胃幽门振荡,它们也可能在真实动物中从未被观察到,因为它们难以维持。此外,我们预测那些被观察到的配置具有一些与可调控性相关的特征。
我们的模型还提出了几个其他可以通过实验验证的预测。例如,我们看到ADHP常常从具有特定和限制性活动目标中受益,从而破坏最多数量的故障配置。如果确实如此,那么我们预期真实的ADHP机制能够在相对相似的活动水平持续足够长的时间后区分(对这些活动水平做出不同的响应)。关于稳态目标的其他假设可以通过随时间变化的神经传导数据来验证。如果神经传导值以小幅度与节律性神经活动同步振荡,那么ADHP的目标活动范围可能位于这些神经元所采取的值的范围内。相反,如果神经参数以大幅度缓慢振荡,那么神经元在周期内采取的任何活动值都不完全对应于稳态目标。最后,我们强调,在具有理想动态的众多电路配置中,ADHP只需要稳定其中的一部分。这意味着,在恢复过程中,完全功能性的配置可能会被忽略。实际上,这在观察到的“发作”过程中似乎确实会发生,其中恢复中的胃幽门电路在胃幽门活动和非胃幽门活动之间交替,最终达到稳定(Luther等人,2003年;Zhang和Golowasch,2011年)。如果这些发作只是恢复中电路参数轨迹中短暂的胃幽门区域探索,那么在这些发作期间观察到的活动模式应该在原理上不同于稳态下的活动模式。特别是,它们应该在与ADHP控制变量(即时间平均活动)有关方面有所不同。研究这些假设将极大地阐明潜在的参数空间结构、扰动和稳态机制如何相互作用,以产生功能神经电路中的观察到的变化。
这个模型的其他扩展可以帮助弥合与实验数据的差距。例如,尽管当前模型是确定性的,但神经状态和ADHP控制信号中的噪声可能会影响恢复结果。鉴于调控特异性在排除非胃幽门稳态中的明显重要性,任何噪声都可能导致功能和故障平均值集合的模糊。仅仅识别出一组唯一指定功能的值可能还不够,这组值可能需要与非功能值保持一定的距离。关于这种推测的一个注意事项是,神经状态中的噪声效应可能因不同的动态类型而异。Ryzowicz等人(2026年)最近的一项研究调查了噪声对FHN模型中时间平均神经值的影响。他们发现,相同幅度的噪声使得在固定点检测到的平均值更加相似,但使得振荡节奏的检测平均值更加可区分。可以合理推测,功能极限环对噪声的变形可以为ADHP机制提供额外信息,帮助它与非功能极限环区分开来。尚不清楚这些假设是否会在具有噪声神经状态的活跃稳态机制模型中得到验证。
此外,我们的方法并不局限于这种ADHP实现或胃幽门模式生成器的具体实例。只要满足某些条件,我们的许多观察和分析结果可以扩展到其他模型。例如,ADHP可以用替代的活动检测方案实现,具有不同的控制架构,甚至可以作为一个基于机制的速率模型实现。重要的是它能够改变系统参数,并且这种变化的符号可以通过测量为所有电路定义的某个控制变量来预测。同样,电路的功能或感兴趣的属性可以以任何方式定义,并且可以从单个神经活动水平中抽象出来。例如,人们可以考虑电路在某些输入范围内进行计算的能力、与神经系统其他部分的接口、检测刺激,或者这些特征的组合。只要感兴趣的功能与ADHP控制变量不同,并且对所有电路配置都有明确的定义,就可以描绘出从任何扰动状态可达到的电路配置集合,将其划分为功能性和非功能性配置的子集,并通过分析每个子集中观察到的稳态控制变量值的重叠来预测调控结果。
总之,我们的模型为局部ADHP维持电路级属性的能力提供了宝贵的见解。对于稳健的稳态来说,最重要的条件是,在ADHP可访问的电路表达的神经活动模式集合中,只有理想的模式在ADHP的目标范围内得到平衡,而不理想的模式会引起净参数变化。即使在考虑所有可用电路配置时无法保证这一点,但在某些参数空间子集中还是可能的。在这些子集上运行地调整良好的ADHP可以在参数扰动后可靠地恢复功能。在其他无法仅凭局部信息清晰区分功能性和非功能性神经活动的参数空间子集中,ADHP的成功可能无法保证,可能是依赖于扰动的,或者根本不可能。仅仅通过检查可能的功能和故障电路配置的景观,我们就可以提出关于稳态机制的假设,并预测个体间的恢复结果。