生物学的に制約されたRNNの構築：デールの逆伝播とトポロジー的に情報化されたプルーニングによる

科学分野:

• 計算神経科学
• 機械学習
• システム神経科学

背景:

• リカレントニューラルネットワーク（RNN）は皮質機能のモデリングに使用されますが、生理学的および解剖学的な忠実性が欠けています。
• 従来のRNNは、脳メカニズムへの洞察の妥当性について疑問を提起します。
• 神経科学における生物学的に制約された計算モデルの必要性があります。

研究 の 目的:

• デールの法則と疎結合をRNNトレーニングに組み込むための数学的に根拠のある方法を開発すること。
• 生物学的に制約されたRNNモデルが、制約のないモデルと比較して同等のパフォーマンスを維持することを保証すること。
• これらの制約付きRNNを、ニューラルデータからマルチリージョンの脳相互作用を推測するために適用すること。

主な方法:

• デールの法則（神経の抑制/興奮）と疎結合をRNNトレーニングパイプラインに組み込みました。
• データ駆動型で細胞種特異的な結合制約を持つRNNモデルをトレーニングしました。
• 視覚行動中のマウスからの2光子カルシウムイメージングデータを、皮質層および脳領域にわたって再構築しました。

主要な成果:

• 制約付きRNNモデルは、制約なしRNNモデルと同等のパフォーマンスを達成しました。
• 生物学的に妥当なRNNを使用して、マルチリージョンの相互作用を正常に推測しました。
• 推測された相互作用は、実験結果および予測符号化理論と一致しています。

結論:

• 生物学的に制約されたRNNは、皮質機能のモデリングにおいて有効で強力なアプローチを提供します。
• これらの方法は、計算モデルの生理学的および解剖学的忠実性を向上させます。
• このアプローチは、予測符号化などの確立された理論と一致する神経相互作用に関する洞察を提供します。