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理解神经元雪崩,这是神经活动的规模不变级联.
• 神经元发射的时空同步对于大脑功能至关重要,但由于样本采集有限,经常被低估.
• 神经雪崩表现出强度定律的缩放,而抛物线雪崩显示出大小和持续时间之间的二次关系 (缩放指数 χ=2).

研究的目的:

• 调查通过分量采样对神经元雪崩的特征引入的偏差.
• 为了确定在部分神经元观察下平均雪崩大小与雪崩持续时间的比例.
• 开发方法来纠正采样偏差,并准确测量关键大脑网络中的雪崩缩放.

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和全对全的连接.
• 在不同程度的分量采样下,研究了缩放关系 (平均雪崩大小与持续时间).
• 应用时间粗粒度和调整巧合射击值以纠正采样偏差.
• 通过在清醒的小鼠前皮层中对神经元活动的细胞2光子成像来验证这种方法.

主要成果:

• 分量采样显著降低了对抛物线雪崩的测量缩放指数 (χ).
• 时间粗粒度和增加的巧合值成功地恢复了临界缩放指数 (χ=2),即使采用最小样本 (0.1%的神经元).
• 这种纠正取决于网络在临界状态下运行;它在次临界或超临界条件下失败.
• 拟议的方法在小鼠大脑活动中准确地确定了 χ=2,在类似的采样条件下,其表现优于"声"方法.

结论:

• 分量采样在测量神经元雪崩缩放时引入了显著的偏差,低估了时空同步.
• 纠正方法,包括时间粗粒度和巧合值,可以克服关键大脑网络中的采样偏差.
• 这些发现证实了神经元组合在临界点的快速,规模不变的时空同步,与抛物线雪崩一致.
• 这项研究提供了一种分析神经元雪崩的强有力的方法,这对于理解大脑功能和关键性至关重要.