Connectivity structure induced dynamics and correlations in spiking neural networks

Bos, Hannah; Kampa, Björn M.; Helias, Moritz; Einevoll, Gaute T.

doi:HT019263844

Connectivity structure induced dynamics and correlations in spiking neural networks = Konnektivitätsstruktur bedingte Dynamiken und Korrelationen in spikenden neuronalen Netzwerken

Bos, Hannah

2017

Verantwortlichkeitsangabevorgelegt von M.Sc. in Physics Hannah Bos

ImpressumAachen 2017

Umfang1 Online-Ressource (vii, 131 Seiten) : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2017

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Helias, Moritz (Thesis advisor)^RWTH* ; Kampa, Björn M. (Thesis advisor)^RWTH* ; Einevoll, Gaute T. (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2017-02-03

Online
URN: urn:nbn:de:hbz:82-rwth-2017-025673
DOI: 10.18154/RWTH-2017-02567
URL: https://publications.rwth-aachen.de/record/685856/files/685856.pdf
URL: https://publications.rwth-aachen.de/record/685856/files/685856.pdf?subformat=pdfa

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
Neuronal networks (frei) ; mean-field theory (frei) ; oscillations (frei) ; large-scale simulations (frei)

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
Die Konnektivität in der Großhirnrinde weist unterschiedliche Strukturen auf verschiedenen Längenskalen auf. Langreichweitige Verbindungen zwischen kortikalen Arealen sind großenteils exzitatorisch, wohingegen Verbindungen innerhalb der Areale sowohl exzitatorisch als auch inhibitorisch sind. Zusätz-lich ist der Kortex in aufeinanderliegende Schichten unterteilt. Diese laminare Struktur geht einher mit spezifischer Konnektivitätstruktur zwischen den Neuronen verschiedener Schichten und wurde von experimentellen Studien mit bestimmten dynamischen Phänomenen, wie layerabhängige Oszillationen,in Verbindung gebracht. In dieser Arbeit stelle ich verschiedene Studien vor, die sowohl die laminare Struktur, als auch die Konnektivität auf der Ebene einzelner Neuronen, mit der Korrelationsstruktur in der Aktivität spikender neuronaler Netzwerke in Verbindung bringen. Bisherige theoretische Studien verwenden entweder phänomenologische Populationsmodelle oder simplifizierte Konnektivitätsstrukturen. Zuerst führe ich die theoretische Beschreibung der Dynamik von Populationen ein, die die Dynamiken zufällig verbundener Neurone zusammenfasst. Die Formulierung des Problems auf der Populationsebene erleichtert die Analyse von Phänomenen, die sich auf die laminare Struktur zurückführen lassen. Zudem leite ich ein Sensitivitätsmaß her, das dynamisch ausschlaggebende Konnektivitätsmuster innerhalb des Netzwerkes identifiziert. Im folgenden wende ich die vorgestellten theoretischen Methoden auf ein Modell an, das ein Netzwerk im Areal V1 beschreibt, leite die Spektren der Populationsraten her, identifiziere Netzwerkemotive, die die beobachteten Oszillationen generieren und diskutiere die Vorhersage im Kontext experimenteller Ergebnisse. Eine Erweiterung der Methodik zur Berücksichtigung langsamer synaptischer Ströme zeigt, wie diese sowohl zur Synchronisierung als auch zur Desynchronisierung der Populationsaktivitätbeitragen können. Inspiriert von experimentellen Studien, die die dynamischen Mechnismen biologischer Netzwerke mit der Applikation oszillatorischer Stimuli untersuchen, analysiere ich wie oszillatorische Stimuli in neuronalen Netzwerken verarbeitet werden und wie sich die Netzwerkantwort aufStimuli aus der Konnektivität ableiten lässt. An Hand eines binären Netzwerkes analysiere ich wie sich die Konnektivität auf die stationäre Korrelationsstruktur auswirkt. Die Ergebnisse lassen auf Eigenschaften schließen, die in der Populationsnäherung vernachlässigt werden. Zum Beispiel Heterogenitäten der Aktivitäten der Neurone und der Korrelationen zwischen den Neuronen. Die Ergebnisse zeigen auch, wie die Netzwerkaktivität im Input jedes Neurons dekorreliert wird und dass die Konnektivität auf Einzelzellebene die Zerfallszeit stimulusinduzierter Netzwerkantworten bestimmt.Innerhalb dieser Arbeit benutze ich Simlationen neuronaler Netzwerke um sowohl die Approximationen in der Entwicklung der theoretischer Methoden zu unterstuetzen, als auch um Netzwerkdynamiken zu modellieren, die analytisch nicht beschreibbar sind. Diese Arbeit dokumentiert die Implementierungder neuen Konnektivitätsroutine für den Simulator für neuronale Netze NEST. Mit Hilfe der neuen Routine lassen sich Netzwerke mit randomisierten Strukturen und synaptischen Parametern erstellen. Diese Arbeit stellt Beziehungen zwischen der laminaren Struktur innerhalb der kortikalen Areale und der experimentellen Beobachtungen dynamischer Phänomenen her. Die hier vorgestellte Methodik unterstützt das Verständniss zwischen Netzwerkstruktur, auf Populations- und auf Einzelzellebene,und der Dynamik des Netzwerkes.

The cerebral cortex exhibits distinct connectivity patterns on different length scales. Long range connections between cortical areas are mostly excitatory, while connectivity within the areas is excitatory and inhibitory. Additionally, cortical areas exhibit a layered structure across depth. This laminar structure is accompanied by specific connectivity patterns between populations of neurons located in the layers. Experimental studies link the laminar structure to dynamical phenomena, like specific oscillations, which are more prominent in some layers than in others. In this thesis, I present several studies that relate the laminar connectivity as well as the connectivity on the single neuron level to the structure of correlation in the network activity. This question has so far been approached by theoretical studies using either phenomenological population models or simplified connectivity structure. First, I present a theoretical framework that describes the dynamics of randomly connected spiking neurons by their population dynamics. This dimensionality reduction facilitates the analysis of phenomena that arise from the laminar structure. Next, I derive a sensitivity measure which identifies dynamically relevant connectivity motifs within the network. Applying these theoretical tools to a model that describes a microcircuit in area V1, I predict population rate spectra, identify the sub-circuits that generate the observed oscillations and link the results to experimental findings. Extending the theoretical framework and the model by slow synaptic currents sheds light on their role in both, synchronizing and desynchronizing population activity. Inspired by experimental studies, which probe circuits by oscillatory stimuli, I analyze how these stimuli are processed by neuronal networks and how the network response is shaped by the connectivity structure. The effect of the connectivity within the populations on the stationary correlation structure is studied by means of a binary network. This sheds light on features that are neglected when summarizing neuronal activity in populations, like heterogeneities of neuronal activities and correlations between neurons. This study illustrates how network activity is decorrelated in the input to each neuron and how the connectivity structure on the single cell level shapes the decay time of stimuli induced network responses. Throughout this work, I employ simulations of neuronal networks to support approximations made in the derivation of theoretical framework and furthermore to model interactions which are not analytically tractable. I therefore document how I unified the connection routines in the neural simulator NEST and implemented the new connection framework which allows for the creation of connectivity structures with randomized connections as well as randomized synaptic parameters. In summary, this thesis relates laminar connectivity patterns to experimentally observed dynamical phenomena. The methodology introduced here facilitates the understanding of how connectivity structure of neuronal networks, on the population level as well as on the single cell level, shapes the dynamics emerging from the network.

OpenAccess:
PDF PDF (PDFA)
(additional files)