《Neurocomputing》：Identifying and characterizing noise-induced avalanches and extreme events on spiking networks
编辑推荐：
神经元雪崩是尖峰活动的级联，其统计特性被广泛认为与神经元系统中的临界动力学（critical dynamics）相关。雪崩涵盖了广泛的放电模式变异性，包括极端事件（extreme events），其中大部分神经元同步放电。尽管雪崩和极端事件已在计算和实验研究中
神经元雪崩是尖峰活动的级联，其统计特性被广泛认为与神经元系统中的临界动力学（critical dynamics）相关。雪崩涵盖了广泛的放电模式变异性，包括极端事件（extreme events），其中大部分神经元同步放电。尽管雪崩和极端事件已在计算和实验研究中被报道，但其涌现机制仍仅被部分理解。在先前工作中，研究人员通过平均场（mean field）的熵（entropy）表征了霍奇金-赫胥黎（Hodgkin–Huxley, HH）神经元网络的动力学，并识别出由两种不同动力学转变产生的极端事件：一种是由耦合强度（coupling strength）驱动的平滑转变，另一种是由噪声（noise）诱导的突变转变。通过结合平均场测量与雪崩统计，研究人员在耦合强度和噪声强度的参数空间中识别出一个区域，在该区域中雪崩大小和持续时间表现出类幂律（power-law-like）行为。远离该区域时，随着系统跨越转变，雪崩分布从指数衰减演变为截断重尾（truncated heavy-tailed）行为。最后，研究人员表明，与全局耦合网络相比，稀疏随机网络拓宽了转变区域，使得雪崩动力学及相关类临界（critical-like）特征在更广泛的参数范围内可观测。
**论文解读：噪声诱导尖峰网络中的雪崩与极端事件——从全局耦合到稀疏随机拓扑的动力学转变**
**研究背景与问题**
大脑是一个复杂的自组织系统，即使在无外部刺激时也产生持续活动，这源于神经元间集体和多尺度的相互作用。理解这些时空模式如何产生认知功能（如记忆、感知和运动）是神经科学的核心目标。在众多神经活动模式中，神经元雪崩（neuronal avalanches）因其无标度统计特性而备受关注，被认为是临界动力学（critical dynamics）的标志，与最优信息处理密切相关。然而，雪崩的涌现机制，尤其在纯噪声驱动下，仍未被完全理解。先前研究在全局耦合的霍奇金-赫胥黎（Hodgkin–Huxley, HH）神经元网络中发现了噪声诱导的极端事件，但网络拓扑结构（如稀疏随机连接）如何影响这些现象尚不清楚。因此，本研究旨在探索稀疏随机网络中噪声诱导的雪崩和极端事件，揭示耦合强度与噪声强度共同作用下的动力学转变，以及网络连接随机性对转变区域的影响。
**研究内容与结论**
研究人员通过构建HH神经元网络，结合平均场（mean field）幅度和熵的宏观观测与雪崩统计的微观分析，系统研究了耦合强度和噪声强度对网络集体动力学的影响。主要结论：1）识别出两种不同的动力学转变：由耦合强度驱动的平滑转变和由噪声强度诱导的突变转变；2）在参数空间中定位到一个近转变区域，该区域中雪崩大小和持续时间呈现类幂律（power-law-like）分布；3）稀疏随机网络相比全局耦合网络能拓宽转变区域，使类临界雪崩动力学在更宽参数范围内可观测，降低了对参数精细调谐的需求。该研究发表在《Neurocomputing》。
**关键技术方法**
1. **HH神经元模型**：基于HH方程模拟神经元膜电位动力学，包含电压门控钾离子（K
+）和钠离子（Na
+）通道，以及泄漏电流。网络由N=1000个神经元组成，通过电突触（diffusive coupling）进行耦合，连接拓扑由随机概率p生成（p≥0.01以保证无孤立神经元）。
2. **平均场分析**：计算平均场幅度A（式12）和香农熵S（式13），以量化集体同步程度和动力学状态。
3. **雪崩检测**：将尖峰序列分箱（bin），箱宽为全局平均尖峰间隔（ISI），活动阈值设为每箱平均活跃神经元数。雪崩定义为连续活跃箱序列，并统计其大小（总尖峰数）和持续时间（连续活跃箱数）。
4. **统计分析**：通过十次独立随机网络实现（不同种子）获取雪崩集合，计算概率分布，并观察其从指数衰减到重尾的演变。
**研究结果**
**4.1 模型模拟**
通过扫描耦合强度σ和噪声强度η，研究人员绘制了平均场幅度A和熵S的二维相图（图3）。对于不同连接概率p（0.01, 0.05, 0.1, 1.0），发现：
- 当η较小时，即使σ很大，网络活动仍弱；当σ较小时，η增大仅产生非同步强活动。
- 转变表现为两种机制：σ增大导致A平滑增加；η增大导致A突变增加，与HH模型的亚临界Hopf分岔相关。
- 稀疏连接（p=0.01）时，低熵区域（极端事件标志）显著扩大，与全局耦合（p=1.0）类似，表明少量随机连接足以重现密集网络的集体行为。
- 规则最近邻网络（图5）无法实现全局同步，进一步证实了随机连接对同步转变的关键作用。
**4.2 神经元雪崩分析**
针对图4中四个代表性参数点，研究人员分析了雪崩大小和持续时间的概率分布（图6）：
- 弱耦合弱噪声（σ=0.05, η=0.1）：分布呈指数衰减，反映异步状态。
- 近转变区域（σ=0.35, η=7.5）：分布呈类幂律行为，表明临界动力学。
- 部分同步状态（σ=0.35, η=18.0）：分布出现峰值，对应大雪崩。
- 极端事件状态（σ=0.35, η=20.0）：分布缺少中间大小事件，表现为全局同步事件。
通过固定σ或η扫描另一参数（图7），研究人员进一步展示了从亚临界（指数衰减）到超临界（重尾）的演变，近转变区域出现类幂律标度。
**讨论与结论**
讨论部分指出，稀疏随机连接通过拓宽转变区域，使类临界雪崩动力学在更宽参数范围内可观测，降低了对参数精细调谐的要求。结论部分翻译如下：在本工作中，研究人员研究了纯随机刺激驱动的HH神经元网络中雪崩和极端事件的涌现。噪声激发与突触耦合的相互作用主导了网络的集体行为，生成了丰富的时空模式。通过分析平均场幅度并系统变化噪声强度和耦合强度，研究人员识别出两种动力学转变：由耦合强度驱动的平滑转变和由噪声强度诱导的突变转变。通过分析平均场时间序列的熵，发现与极端事件相关的低熵区域；引入随机连接拓扑后，即使非常稀疏的连接也能显著扩大该区域。稀疏连接使极端事件更易获得，同时增强了网络的时空复杂性。通过结合雪崩统计与平均场宏观表征，研究人员在耦合驱动和噪声驱动转变的交汇处识别出一个近转变区域，该区域内雪崩大小和持续时间分布呈类幂律行为，而亚临界和超临界状态则呈现不同的统计特征。这些结果表明，稀疏随机连接拓宽了转变区域，使得这些动力学特征在比全局耦合网络更宽的参数范围内可观测。
