Spatial connectivity patterns shape dynamics of large-scale spiking neural networks of visual cortex

Albers, Jasper; Diesmann, Markus; Offenhäusser, Andreas

doi:44348

Spatial connectivity patterns shape dynamics of large-scale spiking neural networks of visual cortex

Albers, Jasper^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Jasper Albers, M. Sc.

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Diesmann, Markus (Thesis advisor)^RWTH* ; Offenhäusser, Andreas (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-04-17

Online
DOI: 10.18154/RWTH-2025-04522
URL: https://publications.rwth-aachen.de/record/1011057/files/1011057.pdf

Einrichtungen

Projekte

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
Seit Jahrhunderten ist die Entschlüsselung des menschlichen Gehirns eines der faszinierendsten Forschungsthemen unserer Gesellschaft. Während die Entdeckung der Neuronen und ihrer Struktur durch Golgi und Cajal den Anfang der modernen Neurowissenschaften darstellt, wurden seither bedeutende Fortschritte bei der Untersuchung der Anatomie, Physiologie und Funktionalität des menschlichen Gehirns gemacht. Diese Forschung wurde in den letzten Jahrzehnten entscheidend beschleunigt durch die zunehmende Verfügbarkeit von Rechenressourcen sowie detaillierten anatomischen und physiologischen Daten aus Experimenten. Zusammengenommen ermöglichen diese Veränderungen präzisere Studien der Konnektivität und Funktion des Gehirns, die im Bereich der Computational Neuroscience durchgeführt werden. Ziel dieser Arbeit ist es, unser Verständnis für die Verbindung zwischen Struktur und Dynamik des Gehirn zu vertiefen, welche für den Struktur-Funktions-Zusammenhang entscheidend ist. Dabei wird ein Schwerpunkt auf die Untersuchung von räumlicher Konnektivität gelegt, welche die entfernungsabhängige Verschaltung zwischen Neuronen beschreibt, sowie ihren Einfluss auf die kortikale Aktivität in visuellen Gehirnregionen. Durch die Wahl eines computergestützten Ansatzes wird detailliertes anatomisches Wissen in biologisch motivierte Modelle kortikaler Schaltkreise integriert, was eine Untersuchung der Beziehung zwischen Struktur und Dynamik in silico ermöglicht. Zunächst werden in dieser Arbeit die technologischen Grundlagen geschaffen, die eine effiziente Simulation großer neuronaler Netzwerke mit realistischer neuronaler und synaptischer Dichte ermöglichen. Es wird eine Open-Source-Softwareplattform konzipiert und umgesetzt, die die automatisierte Ausführung und Analyse von Benchmarks für verschiedene Simulatoren ermöglicht, welche das Rückgrat der modernen Computational Neurosciences bilden. Insbesondere unterstützt die Softwareplattform die Entwicklungsarbeit an Simulatoren, welche die Rechenzeit minimiert. Dies ist letztendlich entscheidend für die Integration von immer mehr anatomischen Details in kortikale Netzwerkmodelle. Im zweiten Teil der Arbeit wird ein breites Spektrum an experimentellen Daten herangezogen, um ein umfassendes räumliches neuronales Netzwerkmodell des primären visuellen Kortex (V1) von Makakenaffen zu erstellen. Simulationen zeigen, dass das Modell von V1 eine starke pathologische Aktivität aufweist: Das Modell ist nicht in der Lage einen stabilen dynamischen Zustand zu erreichen, in dem die simulierte Aktivität experimentell beobachteten Zuständen ähnelt. Die Überprüfung der zugrundeliegenden Konnektivität und ihre Verknüpfung mit der Dynamik eines Modells des lokalen Kortex zeigt, dass die inhärenten rekurrenten Zielmuster, die aus niedrig aufgelösten, auf Lichtmikroskopie (LM) basierenden Daten stammen, zwangsläufig zu divergierender Aktivität führen. Dies kann behoben werden, indem der LM-Datensatz durch einen neueren, hochauflösenden Datensatz auf Basis der Elektronenmikroskopie (EM) ersetzt wird. Das Ersetzen der LM-Konnektivität durch EM-Konnektivität im Modell von V1 führt zu einer Modellarchitektur, die ohne weiteres fine tuning eine biologisch plausible Aktivität zeigt. Somit kann das entwickelte Modell als Plattform für zukünftige Forschungsprojekte dienen, die die dynamischen und funktionellen Auswirkungen der räumlichen Konnektivität untersuchen. Dadurch können die optimalen Strategien der Verschaltung von Neuronen untersucht werden, die im visuellen Kortex des menschlichen Gehirn vorliegen. Im dritten Teil der Arbeit wird eine neuartige Regel für die Vorhersage der Konnektivität in Modellen entwickelt, die ausdrücklich die räumliche Verteilung der Synapsen relativ zu den Zellkörpern berücksichtigt. Um die vorhergesagte Konnektivität mit einer experimentellen Grundwahrheit zu vergleichen, wird eine allgemeine Methode zum Vergleich der rekurrenten Verbindungsstruktur von Netzwerken entwickelt, die auf Matrixzerlegung basiert. Eine anschließende Analyse zeigt, dass die präzise räumliche Konnektivitätsregel die klassischen Ansätze übertrifft. Damit ebnet sie den Weg für eine neue Generation von Modellen, welche die Feinheiten der lokalen räumlichen Konnektivität des visuellen Kortex verstärkt einbezieht. Insgesamt stellt diese Arbeit eine umfassende Untersuchung der räumlichen Konnektivität von neuronalen Netzwerken im Kortex dar. Sie trägt somit dazu bei, den Struktur-Dynamik-Funktions-Dreiklang des Gehirns aufzudecken, was letztlich zu einem tieferen Verständnis der grundlegenden Funktionsmechanismen führt.

Unraveling the inner workings of the brain has been one of the most fascinating research topics in human society for centuries. Evolving from the early discoveries of neurons by Golgi and Cajal, the field of neuroscience has made significant progress in examining the anatomy, physiology and functionality of the human brain. A driving factor for this research is the explosion in the availability of detailed anatomical and physiological data from experiments over the past decades, as well as advances in the availability of computational resources. Combined, these changes enable ever more precise studies of both brain connectivity and function conducted in the field of Computational Neuroscience. This thesis aims to further our understanding of the link between structure and dynamics in the brain, which fundamentally underlies its structure-function relationship. Specifically, a focus is set on studying the impact of spatial connectivity, i.e., the distance-dependent wiring principles of neurons, on cortical activity of the visual regions. Choosing a computational approach, detailed anatomical knowledge is integrated into biologically constrained models of cortical circuits, allowing for an investigation of the relationship of structure and dynamics in silico. First, the technological foundations are established that enable efficient simulations of large-scale neural networks at realistic neural and synaptic density. An open-source software platform is conceptualized and implemented that facilitates the automated execution and analysis of performance benchmarks of neural network simulators, which are the backbone of simulations in modern Computational Neuroscience. Thereby, development is aided that optimizes the time-to-solution in such simulations, ultimately allowing to integrate ever more anatomical detail into cortical network models. Second, this thesis consults a broad range of experimental data to construct a comprehensive spatial neural network model of the primary visual cortex (V1) of macaque monkey. Simulations reveal that the model of V1 exhibits strongly pathological activity: it is unable to exist in a balanced dynamical state in which the statistics of the activity resemble experimentally observed states. Revisiting the underlying connectivity and linking it to the dynamics of a model of local cortex exposes that the inherent recurrent targeting patterns stemming from low-resolution data based on light microscopy (LM) necessarily lead to diverging activity. In contrast, the implausible dynamics are remedied by replacing the LM data set by a recent high-resolution data set based on electron microscopy (EM). Substituting the LM connectivity by EM connectivity in the model of V1 resolves the unbalanced activity, yielding a model that exhibits biologically plausible activity without further fine-tuning. Thus, the derived model can act as a platform for future research to study the dynamical and functional implications of spatial connectivity, shedding light on optimal wiring strategies employed by the visual cortex in the brain. Third, a novel predictive connectivity rule is developed that explicitly takes the spatial distributions of synapses relative to the cell bodies into account. To compare the predicted connectivity to an experimental ground truth, a general method for comparing the recurrent connection structure of networks is devised based on matrix decomposition. A subsequent analysis demonstrates that the precise spatial connectivity rule outperforms a classical approach based on the distance between neurons. Thereby, it paves the way for incorporating the intricacies of local spatial connectivity into the next generation of modeling. Overall, this work provides a thorough account on spatial connectivity in cortical neural networks. It thus contributes to uncovering the structure-dynamics-function triad of the brain, ultimately leading to a deeper understanding of its working mechanisms.

OpenAccess:
PDF
(additional files)