一个连接组操纵框架,通过模拟来系统和可重复地研究结构功能关系

科学领域:

• 计算神经科学是一种计算神经科学.
• 系统神经科学 系统神经科学
• 神经信息学是一种神经信息学.

背景情况:

• 神经元连接表现出复杂的,非随机的特征,对大脑功能至关重要.
• 在细粒度尺度上直接对突触连接进行实验操纵是具有挑战性的.
• 计算模型提供了一种强大的方法来研究结构和功能之间的因果关系.

研究的目的:

• 开发一个用于操纵神经元网络连接器的计算框架.
• 为了能够系统地研究突触组织如何影响神经活动.
• 为了促进在详细的神经模型中探索复杂的连接假设.

主要方法:

• 开发了Connectome-Manipulator,这是一个用于SONATA格式的大规模网络模型的Python框架.
• 创建,操纵和拟合随机连接模型的实现工具.
• 将框架应用于大鼠体感官皮层的详细模型,包括内部神经元连接移植和激发性连接简化.

主要成果:

• 证明了框架对快速和复杂的连接组操纵的能力.
• 展示了两种涉及内部神经元和刺激性连接性修改的用例.
• 网络模拟显示了神经元群活动中明显的转变,因果关系与操纵的连接性有关.

结论:

• 连接组操纵器为研究突触连接在神经功能中的因果作用提供了一个灵活的平台.
• 该框架通过系统地操纵和分析神经网络来促进结构-功能关系的研究.
• 模拟证实神经元连接体的变化可以导致网络活动模式的可预测变化.