在空间亚样本的神经网络中,抛物线雪崩的恢复处于关键状态

科学领域:

• 神经科学是一个神经科学.
• 复杂的系统复杂的系统.
• 统计物理 统计物理

背景情况:

• 大脑功能理论依赖于神经元活动的时空同步,观察到的神经元雪崩.
• 雪崩同步经常被低估,因为神经元群体的分量采样.
• 缩放关系是复杂系统在关键性的特征,包括由功率定律量化的神经元雪崩.

研究的目的:

• 调查因分数神经元采样引起的雪崩同步测量的偏差.
• 开发用于纠正神经雪崩分析中的缩放偏差的方法.
• 验证生物神经网络中的发现,并与现有方法进行比较.

主要方法:

• 模拟了激发性和抑制性神经元的平衡网络,具有关键的分支动态.
• 在分量采样下分析了平均雪崩大小和持续时间之间的缩放关系.
• 应用时间粗粒度和调整的巧合值来纠正采样偏差.
• 通过从清醒的小鼠大脑中获取的细胞2光子成像数据验证了更正的方法.

主要成果:

• 分量采样显著降低了神经元雪崩的缩放指数 (χ).
• 时间粗粒度和巧合值的调整准确地恢复了临界缩放指数 (χ = 2),即使采样最小 (0.1%).
• 校正方法取决于关键网络动态,在次临界或超临界条件下失败.
• "裂噪声"方法在类似的分数采样条件下显示了在确定χ的局限性.

结论:

• 分量采样在量化神经元雪崩同步时引入了显著的偏差.
• 开发的校正方法可靠地克服了缩放偏差,从而能够准确地描述关键的大脑动态.
• 结果表明神经元组合的快速,规模不变的时空同步 in vivo.
• 这项研究提供了一种强大的方法来分析神经元活动的关键性,这对于理解大脑功能至关重要.