Construcción de RNNs biológicamente limitadas mediante retropropagación de Dale y poda informada topológicamente

Área de la Ciencia:

• Neurociencia Computacional
• Aprendizaje Automático
• Neurociencia de Sistemas

Sus antecedentes:

• Las redes neuronales recurrentes (RNN) se utilizan para modelar la función cortical, pero carecen de fidelidad fisiológica y anatómica.
• Las RNN convencionales plantean dudas sobre la validez de las ideas sobre los mecanismos cerebrales.
• Existe la necesidad de modelos computacionales biológicamente restringidos en neurociencia.

Objetivo del estudio:

• Desarrollar métodos matemáticamente fundamentados para incorporar la ley de Dale y la conectividad dispersa en el entrenamiento de RNN.
• Asegurar que los modelos de RNN biológicamente restringidos mantengan un rendimiento comparable al de los modelos no restringidos.
• Aplicar estas RNNs restringidas para inferir interacciones cerebrales multirregionales a partir de datos neuronales.

Principales métodos:

• Se incorporó la ley de Dale (inhibición/excitación neuronal) y la conectividad dispersa en el pipeline de entrenamiento de RNN.
• Se entrenaron modelos de RNN con restricciones de conectividad específicas del tipo celular y basadas en datos.
• Se reconstruyeron datos de imágenes de calcio de dos fotones de ratones durante el comportamiento visual en capas corticales y áreas cerebrales.

Principales resultados:

• Los modelos de RNN restringidos lograron un rendimiento comparable al de las RNNs no restringidas.
• Se inferieron con éxito interacciones multirregionales utilizando RNNs biológicamente plausibles.
• Las interacciones inferidas se alinean con los hallazgos experimentales y la teoría de la codificación predictiva.

Conclusiones:

• Las RNNs biológicamente restringidas ofrecen un enfoque válido y potente para modelar la función cortical.
• Estos métodos mejoran la fidelidad fisiológica y anatómica de los modelos computacionales.
• El enfoque proporciona información sobre las interacciones neuronales coherente con teorías establecidas como la codificación predictiva.