Analysis and quantitative comparison of neural network dynamics on a neuron-wise and population level

Gutzen, Robin; Kampa, Björn M.; Kowalski, Julia; Grün, Sonja Annemarie

doi:10.18154/RWTH-2024-03073

Analysis and quantitative comparison of neural network dynamics on a neuron-wise and population level

Gutzen, Robin^RWTH*

2024

VerantwortlichkeitsangabeRobin Gutzen

ImpressumJülich : Forschungszentrum Jülich GmbH, Zentralbibliothek, Verlag 2024

Umfang1 Online-Ressource : Illustrationen

ISBN978-3-95806-738-7

ReiheSchriften des Forschungszentrums Jülich. Reihe Information/information ; 102

Dissertation, RWTH Aachen University, 2023

Druckausgabe: 2024. - Onlineausgabe: 2024. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Grün, Sonja Annemarie (Thesis advisor)^RWTH* ; Kampa, Björn M. (Thesis advisor)^RWTH* ; Kowalski, Julia (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-10-19

Online
DOI: 10.18154/RWTH-2024-03073
URL: http://publications.rwth-aachen.de/record/981487/files/981487.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
neural network dynamics (frei) ; neuroscience (frei) ; research software development (frei) ; statistical analysis (frei)

Thematische Einordnung (Klassifikation)
DDC: 570

Kurzfassung
Das Ziel dieser Arbeit ist es, die Funktionsmechanismen biologischer neuronaler Systeme besser zu verstehen. Die Beschreibung neuronaler Systeme als Netzwerke bietet dafür einen idealen Analyseansatz. Die Netzwerk Syntax interagierender Knoten, die eine gemeinsame Dynamik aufweisen, erleichtert die quantitative Charakterisierung neuronaler Systeme auf verschiedenen Beschreibungsebenen. Darüber hinaus ermöglicht dies einen systematischen Vergleich von Netzwerken über verschiedene Anwendungsbereiche hinweg. Wir streben an Charakterisierungen der Aktivität neuronaler Netze zu identifizieren, die die zugrunde liegende Konnektivität widerspiegeln und sich auf die Informationsverarbeitungsfähigkeit des Netzes beziehen. In diesem Zusammenhang untersuchen wir charakteristische Maße aus experimentellen und simulierten Datenquellen. Konkret betrachten wir kortikale Aktivitätsdaten von Mäusen und Affen, generiert mit verschiedene Aufzeichnungstechniken wie implantierten Elektrodenarrays, laminaren Sonden, ECoG, und Kalzium-Imaging, sowie Daten von Simulationen stochastischer Prozesse, Spiking und Mean-Field-Netzwerkmodellen. Wir untersuchen verschieden komplexe Aktivitätsmaße, einschließlich Maße auf der Einzelneurone Ebene, Maße höherer Ordnung der koordinierten Spiking-Aktivität, und Feldpotentialmaße auf Populationsebene. Solche Aktivitätscharakterisierungen stellen immer eine Abstraktion dar, wobei die richtige Abstraktionsebene es uns ermöglicht, Daten und Modelle aus heterogenen Quellen zu integrieren und zu vergleichen. Die Bewertung der Ähnlichkeit zwischen solchen unterschiedlichen Netzwerkbeschreibungen ist eine gängige Herausforderung im Bereich der Computational Neuroscience. Indem wir das Konzept der Validierung erweitern, können wir bereichsübergreifende Vergleiche in den Szenarien Modell vs. Experiment, Modell vs. Modell und Experiment vs. Experiment formalisieren und anwenden. Die Erforschung der Charakterisierung von Netzwerkaktivitäten und ihrer Vergleichbarkeit ermöglicht uns, die Beziehung zwischen Netzwerkkonnektivität, Aktivität, und Funktion zu bewerten. Dies stellen wir konkret anhand von fünf Forschungsprojekten dar: zur systematischen Ansätzen zur Validierung von Modellsimulatoren, statistischen Auswertung der Netzwerkorganisation, Ableitung von Netzwerkkonnektivität aus Aktivitätsdaten, Kombination von Datenquellen für Wellenaktivität, und Verknüpfung von Wellenaktivität mit externen Einflüssen und Verhalten. Im Sinne kollaborativer Wissenschaftspraktiken implementieren wir unsere Methoden als frei nutzbare Open-Source Tools und bauen auf bestehenden Open-Source Tools und Standards auf.

Our goal is to better understand the working mechanisms of biological neural systems. To this end, describing neural systems as networks provides a powerful and widely-used analysis approach. The network syntax of interacting nodes exhibiting joint dynamics facilitates the quantitative characterizations of neural systems across scales. Moreover, this approach enables us to construct systematic comparisons of neural network descriptions across domains. We aim to identify characterizations of neural network activity that reflect the underlying connectivity and relate to the network's ability to process information. In this context, we explore characteristic measures from experimental and simulated data sources. Concretely, we look at cortical activity data from mice and monkeys, from different recording techniques like implanted electrode arrays, laminar probes, ECoG, and calcium imaging, and further from simulations of stochastic processes, spiking, and mean-field network models. We investigate activity measures of different complexity, including measures on the level of individual neurons, higher-order measures of coordinated spiking activity, and population-level field potential measures describing spatial wave patterns. Such activity characterizations always represent an abstraction, and the right level of detail depends on the data type and the question of interest. For a given context, the appropriate abstraction level allows us to integrate and compare data and models from heterogeneous sources. Evaluating the similarity between such different network descriptions is a common demand in computational neuroscience. Extending the concept of validation, we formalize and apply cross-domain comparisons in model vs. experiment, model vs. model, and experiment vs. experiment scenarios. In this framework, we further evaluate and extend existing statistical testing approaches and look at reproducibility, sources of variability, and technical limitations. Through our exploration of network activity characterizations and their comparability, we evaluate the relationship between network connectivity, activity, and function. Concretely, over the course of five research projects, we implement and demonstrate systematic approaches to validate model simulators, statistically evaluate network organization, infer network connectivity from activity data, combine data sources of wave activity, and relate wave activity to external influences and behavior. With a focus on open and collaborative science practices, we implement our methodologies as reusable open-source tools while building upon existing open-source tools and standards.

OpenAccess:
PDF
(zusätzliche Dateien)