Identificación precisa de la comunicación entre múltiples poblaciones neuronales que interactúan

Área de la Ciencia:

• La neurociencia
• Neurociencia computacional
• Neurociencia de los sistemas

Sus antecedentes:

• Las tecnologías avanzadas de grabación neuronal permiten el monitoreo simultáneo de la actividad de la población en múltiples regiones cerebrales.
• Los modelos basados en datos existentes a menudo no distinguen con precisión las fuentes que influyen en las poblaciones neuronales, lo que dificulta el estudio de la comunicación interregional.

Objetivo del estudio:

• Introducir un nuevo marco computacional, el análisis de factores latentes de múltiples regiones a través de sistemas dinámicos (MR-LFADS), para desenredar los patrones de comunicación neuronal.
• Mejorar la precisión del procesamiento de la información en todo el cerebro separando la comunicación interregional, las entradas externas y la dinámica local.

Principales métodos:

• Desarrollado MR-LFADS, un modelo de autoencoder variacional secuencial.
• Utilizó principios de sistemas dinámicos para modelar la actividad de la población neuronal.
• Validar el modelo utilizando simulaciones extensas de redes neuronales multi-región entrenadas para tareas.

Principales resultados:

• MR-LFADS demostró un rendimiento superior en comparación con los métodos existentes para identificar la comunicación a través de redes neuronales simuladas.
• El modelo predijo con éxito los efectos en todo el cerebro de las perturbaciones del circuito en datos de electrofisiología a gran escala no utilizados durante el entrenamiento.

Conclusiones:

• MR-LFADS ofrece un enfoque sólido para analizar la dinámica compleja de la población neuronal y la comunicación interregional.
• El modelo sirve como una herramienta valiosa para descubrir los principios fundamentales del procesamiento de la información en todo el cerebro utilizando datos neuronales reales y sintéticos.