构建生物学上受约束的RNNS通过Dale的背景和拓学上信息化的PRUNING
Aishwarya H Balwani1, Alex Q Wang2, Farzaneh Najafi3
1School of Electrical & Computer Engineering, Georgia Institute of Technology.
bioRxiv : the preprint server for biology
|January 27, 2025
概括
这项研究引入了新的循环神经网络 (RNN) 模型,这些模型包含了像戴尔定律和结构化连接等生物约束. 这些生物知情的RNN准确地模拟大脑活动,推断神经相互作用.
科学领域:
- 计算神经科学是一种神经科学.
- 人工智能的人工智能
- 系统神经科学 系统神经科学
背景情况:
- 传统的循环神经网络 (RNN) 缺乏模拟皮层功能的生理和解剖学忠实性.
- 关键的生物学约束,戴尔定律和结构化的连接性,在RNN模型中经常被遗漏.
- 忽略了这些约束,就提出了关于RNN研究神经元相互作用的见解的有效性的问题.
研究的目的:
- 开发将戴尔定律和稀疏连接纳入的RNN培训方法.
- 为这些生物约束的RNN提供数学基础和经验验证.
- 证明这些方法对于推断多区域神经相互作用的实用性.
主要方法:
- 开发了新的方法来训练RNN,尊重Dale的定律和特定的稀疏连接模式.
- 为拟议的受约束RNN方法提供数学保证.
- 在从执行视觉任务的小鼠获得的2光子成像数据上训练RNN模型.
主要成果:
- 经验证明,受约束的RNN与不受约束的RNN的性能相匹配.
- 在小鼠皮层网络中成功推断出多区域相互作用.
- 强制数据驱动,跨皮层和大脑区域的细胞类型特定连接约束.
结论:
- 开发的方法使生物可信的RNN能够保持高性能.
- 推断的神经相互作用与实验发现和预测编码理论一致.
- 这些具有生物信息的RNN为研究复杂神经系统提供了有效的方法.
