Large-scale modeling and simulation of neuronal networks in the human cortex

Pronold, Jari; Diesmann, Markus; Krämer, Michael

doi:HT030626977

Large-scale modeling and simulation of neuronal networks in the human cortex

Pronold, Jari^RWTH*

2023 & 2024

Verantwortlichkeitsangabevorgelegt von Jari Pronold, M.Sc.

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Diesmann, Markus (Thesis advisor)^RWTH* ; Krämer, Michael (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-10-25

Online
DOI: 10.18154/RWTH-2024-00013
URL: https://publications.rwth-aachen.de/record/976139/files/976139.pdf

Einrichtungen

Projekte

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
Die Neurowissenschaft befasst sich mit der Frage, wie das Denken in einem komplexen Netzwerk aus bemerkenswert komplizierten Neuronen und Synapsen entstehen kann. Der zerebrale Kortex des Makaken und Menschen werden in dieser Thesis untersucht und sie bestehen aus Milliarden von Neuronen und Billionen von Synapsen. Aufgrund der großen Anzahl an Zellen können experimentelle Studien sich nur auf eine limitierte Zahl von Zellen und Regionen gleichzeitig fokussieren. Numerische Studien sind, theoretisch, nicht durch die Größe des Netzwerks limitiert: Diese Studien sind durch die Größe und Leistung der Rechner und der Effizienz der Simulationssoftware begrenzt. In dieser Studie untersuchen wir, wie Nadelöhre in der Simulationssoftware überwunden werden können und wie biologische Daten benutzt werden können, um großskalige, rechnergestützte Modelle von Kortizes, die das Untersuchen von Dynamik und Funktionalität ermöglichen, zu bauen. Wir identifizieren das Ausliefern von Aktionspotentialen an Zielneurone als besonders zeitlich kostspielig in der Simulation großskaliger Netzwerke. Diese Phase beinhaltet inhärenten, zufälligen Zugriff auf Rechnerspeicher. Dieser kann nicht ohne Weiteres umgangen werden und verursacht lange Latenzen. Wir beschreiben, wie Operationen in dieser Phase umstrukturiert werden können. Verschachtelte Funktionsaufrufe sind in der Lage die Latenzen zu verbergen. Die Feinheiten dieser Studie enthüllen den Bedarf eines Programms das einen systematischen und geregelten Vergleichsrahmen schafft. Vor dem Hintergrund, dass mehrere Rechner, unterschiedliche Realisierungen von Simulationscode und vielfältige neurowissenschaftliche Modelle verglichen werden sollen, ist es notwendig einen Rahmen zu schaffen der die Ergebnisse und Metadaten nachhält. Wir präsentieren ein Programm, das systematische Vergleiche vereinfacht. Um den Zusammenhang zwischen kortikaler Struktur und den Dynamiken von Gehirn Netzwerken zu untersuchen, fügen wir biologische Daten zur Konnektivität und Zytoarchitektur zu einem Modell des menschlichen Kortex zusammen. Das Modell löst Schichten und Populationen auf und statistische Regularitäten füllen Lücken in den experimentellen Daten. Wir finden einen Zustand, in dem die Dynamiken des Modells mit denen aus Einzelzell- und funktionellen Magnetresonanztomographie-Messungen übereinstimmen. Wir untersuchen, wie sich eine Störung in Form eines zusätzlichen Aktionspotentials durch das Netzwerk ausbreitet. Die darauffolgende Studie fußt auf einem Modell des visuellen Kortex des Makaken und geht einen Schritt weiter: Es wird untersucht welchen Einfluss eine Unterteilung der neuronalen Populationen in Gruppen auf die Dynamiken des Modells haben und wie diese Unterteilung gezielte Signalübertragung auf Populationsebene gewährleisten kann. Mit einer Ausnahme reproduziert das untersuchte Modell experimentelle Daten genauso gut oder besser als das originale Modell. Die vorgestellte Arbeit zeigt, wie Latenzen, die durch zufälligen Speicherzugriff ausgelöst werden, verborgen werden können und schafft den Rahmen für systematische Messungen von Simulationssoftware. Des Weiteren wird gezeigt, wie ein großskaliges Modell des Kortex gebaut werden kann und wie gezielte Signalübertragung in solchen Modellen ermöglicht werden kann. Die Ergebnisse dieser Arbeit unterstützen Studien, die Hypothesen und Funktionen in großskaligen, kortikalen Modellen untersuchen.

Neuroscience is concerned with how a complex network of remarkably intricate neurons and synapses gives rise to cognition. The cerebral cortices of macaque and human are studied in this thesis and consist of billions of neurons and trillions of synapses. Due to the sheer number of cells, experimental studies can only focus on a limited number of cells and locations simultaneously. However, in theory, computational studies are not limited by the size of the network: The upper bound is imposed by the size and power of the computer and the performance of the simulation software. Here, we study how bottlenecks in simulation software can be overcome and how biological data can be used to build large-scale computational models of cortices, enabling the study of dynamics and function. We identify the delivery of spikes to target neurons as especially time-consuming in simulations of large-scale models. This phase involves inherent random access to memory that cannot easily be alleviated and causes long latencies. We describe how this phase can be rearranged such that interleaved function calls mask the latencies. The intricacies of this study expose the need for a systematic benchmarking framework. In light of multiple computers, simulation codes, and neuroscientific models, it is imperative to keep track of results and metadata. We present a framework that eases the challenges involved with benchmarking. To study the link between cortical structure and the dynamics of brain networks, we integrate biological data on connectivity and cytoarchitecture into a model of human cortex. The model is layer- and population-resolved and statistical regularities fill gaps in the experimental data. We poise the model into a state where the activity matches single-cell cortical recordings and whole-brain functional magnetic resonance imaging scans. We study how a perturbation in the form of a single spike propagates through the network. The following study takes this a step further: We study the effect of clustering of neuronal populations on the dynamics of a large-scale model of macaque visual cortex and how clustering enables targeted signal transmission on the population level. With one exception, the clustered model reproduces activity as well as or better than the original model. In conclusion, this work shows how latencies due to random memory access can be overcome and establishes a workflow for systematic measurements of simulation code. Furthermore, it presents how a large-scale model of cortex can be built and how targeted signal transmission can be realized. The results of this thesis support the efficient study of hypotheses and functions in large-scale cortical models.

OpenAccess:
PDF
(additional files)