Оптимизация передачи сигнала между нейронными популяциями с помощью воздействия на контрольные узлы

Контекст и актуальность. В нейронных сетях головного мозга синхронная активность критически важна, однако точные механизмы, обеспечивающие согласованность активности между его различными частями, остаются неясными. Цель. Определить, как стимуляция контрольных узлов, выбранных на основе различных метрик центральности, влияет на распространение импульсной активности между двумя слабо связанными нейронными популяциями. Гипотеза. Выбор контрольных узлов в первом кластере в соответствии с определенными метриками центральности способствует улучшению передачи активности импульсов во второй кластер по сравнению со случайным выбором нейронов. Методы и материалы. В двухкластерной сети, смоделированной по стохастической блочной модели, часть нейронов в первом кластере (10–20%) подвергалась внешней стимуляции. Контрольные узлы выбирались случайно или по различным мерам центральности: по степени посредничества, степени близости, степени вершины, степени влиятельности, гармонической центральности и центральности просачивания. Результаты. При стимулировании нейронов, выбранных на основе различных мер центральности, средняя частота импульсов во втором кластере возрастала пропорционально количеству контрольных узлов, и активность синхронизировалась с первым кластером. Выводы. Топология сети и меры выбора контрольных узлов определяют эффективность и устойчивость синхронизации, что важно для нейромодуляции и разработки биоподобных вычислительных систем.

1. Fell, J., Axmacher, N. (2011). The role of phase synchronization in memory processes. Nature Reviews. Neuroscience, 12(2), 105–118. https://doi.org/10.1038/nrn2979
2. Ward, L. M. (2003). Synchronous neural oscillations and cognitive processes. Trends in Cognitive Sciences, 7(12), 553–559. https://doi.org/10.1016/j.tics.2003.10.012
3. Uhlhaas, P. J., Singer, W. (2006). Neural synchrony in brain disorders: relevance for cognitive dysfunctions and pathophysiology. Neuron, 52(1), 155–168. https://doi.org/10.1016/j.neuron.2006.09.020
4. Bayati, M., Valizadeh, A., Abbassian, A., Cheng, S. (2015). Self-organization of synchronous activity propagation in neuronal networks driven by local excitation. Frontiers in Computational Neuroscience, 9, 69. https://doi.org/10.3389/fncom.2015.00069
5. Fletcher, J. M., Wennekers, T. (2018). From Structure to Activity: Using Centrality Measures to Predict Neuronal Activity. International Journal of Neural Systems, 28(2), 1750013. https://doi.org/10.1142/S0129065717500137
6. Liu, Y.-Y., Slotine, J.-J., Barabási, A.-L. (2011). Controllability of complex networks. Nature, 473(7346), 167–173. https://doi.org/10.1038/nature10011
7. Gu, S., Pasqualetti, F., Cieslak, M., Telesford, Q. K., Yu, A. B., Kahn, A. E., Medaglia, J. D., Vettel, J. M., Miller, M. B., Grafton, S. T., Bassett, D. S. (2015). Controllability of structural brain networks. Nature Communications, 6(1), 8414. https://doi.org/10.1038/ncomms9414
8. Dörfler, F., Chertkov, M., Bullo, F. (2013). Synchronization in complex oscillator networks and smart grids. Proceedings of the National Academy of Sciences of the United States of America, 110(6), 2005–2010. https://doi.org/10.1073/pnas.1212134110
9. Holland, P. W., Laskey, K. B., Leinhardt, S. (1983). Stochastic blockmodels: First steps. Social Networks, 5(2), 109–137. https://doi.org/10.1016/0378-8733(83)90021-7
10. Boccaletti, S., Latora, V., Moreno, Y., Chavez, M., Hwang, D. (2006). Complex networks: Structure and dynamics. Physics Reports, 424(4-5), 175–308. https://doi.org/10.1016/j.physrep.2005.10.009
11. Bovet, A., Makse, H. A. (2021). Centralities in complex networks. В Encyclopedia of Complexity and Systems Science (сс. 1–11). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-27737-5_765-1
12. Abbott, L. F. (1999). Lapicque’s introduction of the integrate-and-fire model neuron (1907). Brain Research Bulletin, 50(5-6), 303–304. https://doi.org/10.1016/s0361-9230(99)00161-6
13. Stimberg, M., Brette, R., Goodman, D. F. (2019). Brian 2, an intuitive and efficient neural simulator. eLife, 8. https://doi.org/10.7554/eLife.47314
14. Miller, S., Childers, D. (2012). Probability and Random Processes: With Applications to Signal Processing and Communications. San Diego: Academic Press. https://doi.org/10.1016/C2010-0-67611-5
15. Fornito, A., Zalesky, A., Bullmore, E. (2016). Fundamentals of brain network analysis. New York: Academic press.