敏感性分析揭示了在控制-目标模式下神经质量模型中连接性的影响
《PLOS Computational Biology》:Sensitivity analysis enlightens effects of connectivity in a Neural Mass Model under Control-Target mode
【字体:
大
中
小
】
时间:2026年03月24日
来源:PLOS Computational Biology 3.6
编辑推荐:
摘要
人类大脑的生物物理模型将大脑表示为相互连接的神经区域图。在Naskar等人(《网络神经科学》,2021年)的模型基础上,我们的目标是理解这些脑区如何在神经层面上相互连接以实现某种抑制性控制,这在此类模型中很少被考虑。在该模型中,脑区由相互连接的兴奋性和抑制性神经元池组成
摘要
人类大脑的生物物理模型将大脑表示为相互连接的神经区域图。在Naskar等人(《网络神经科学》,2021年)的模型基础上,我们的目标是理解这些脑区如何在神经层面上相互连接以实现某种抑制性控制,这在此类模型中很少被考虑。在该模型中,脑区由相互连接的兴奋性和抑制性神经元池组成,但它们仅通过兴奋性池(相互兴奋)进行长距离连接。因此,我们通过推广连接性来扩展这一模型,并分析连接性如何影响该模型的行为。我们专注于由控制区和目标区组成的最简单范式,探讨了四种典型的连接类型:相互兴奋、目标区对控制区的抑制、控制区对目标区的抑制以及相互抑制。为此,我们构建了一个分析敏感性框架,逐步细化了孤立池、孤立区域以及整个系统的敏感性。我们发现,抑制性控制仅能在目标区对控制区的抑制和相互抑制的连接类型中显现。接下来,我们分析了模型敏感性如何依赖于连接结构,这种结构取决于控制目标区内自我抑制强度的参数。最后,我们展示了连接结构对控制区在外部刺激下的控制效果的影响。除了这里探讨的情况外,我们通过逐步构建层次(池、区域、系统)来建立分析敏感性的方法论,为更复杂网络配置的表达奠定了基础,无论是对于这个模型还是其他模型。
作者总结
人类大脑的生物物理模型涉及表示其神经元之间的相互作用。在大脑中,连接性可以是兴奋性的或抑制性的,但在生物物理模型中通常只考虑兴奋性。在这里,我们提出了一个包含抑制性的生物物理模型,以解释抑制性控制。我们考虑了最简单的模型,该模型由控制区和目标区组成,并探讨了四种类型的连接性:相互兴奋、目标区对控制区的抑制、控制区对目标区的抑制以及相互抑制。我们开发了系统响应的分析表达式,并表明抑制性控制仅发生在目标区对控制区的抑制和相互抑制的情况下。我们展示了当控制区受到外部刺激时系统的响应,并强调了驱动目标区内自我抑制强度的参数的作用。我们的分析框架为使用此类生物物理模型研究更复杂的大脑网络配置铺平了道路。
1 引言
1.1 动机
近年来,人们付出了巨大努力来设计和实现大规模的人类大脑模拟,以与功能性神经成像数据(EEG、MEG、功能性MRI等)相关联,从而推断神经生理机制[1–5]。在这一领域,所谓的生物物理模型将大脑表示为相互连接的神经质量的图,神经动力学用于将结构连接性(即解剖学连接性或结构连接组)与功能性成像数据(例如fMRI的BOLD信号)联系起来[6–11]。一种普遍的做法是使用fMRI记录来推断所谓的功能连接性,这是通过分析各区域活动水平的时间进程之间的相关性来实现的。这种功能连接性随后可用于调整生物物理模型的参数[11]。在这些方法中,皮层区域之间的结构连接性在塑造动态方面起着关键作用,人们付出了巨大努力来通过体内追踪技术获得和表征大脑连接的精确映射[12–16]。已知皮层区域之间的结构连接性是由长距离连接支持的,这些连接只能是兴奋性的,在大多数生物物理模型中,神经质量的活动水平由一个状态变量表示,它们被视为相互兴奋的。然而,在某些情况下,一个区域对另一个区域的影响显然是抑制性的,最突出的范例是涉及抑制性控制的任务[17–20]。抑制性控制是一种依赖于前额叶执行功能的机制,它使大脑能够通过停用相关表征或过程来覆盖或取消反射性动作、记忆或情绪[19]。功能性MRI(fMRI)显示,当某些控制脑区活动增加时,某些目标脑区的BOLD活动会减少,这表明了抑制性控制的特点。对有效连接性的分析进一步揭示,目标区域的下调是由来自控制区域的负向自上而下耦合介导的[21]。在这种情况下,必须考虑到来自控制区域的活动可能对目标群体产生抑制效应,即抑制性控制应该将某些控制区域的增加活动转化为目标区域的减少活动,这种效应在最近的动态平均场(DMF)模型中目前还缺失[1,22]。因此,这些模型应该被扩展以包括反映通过多突触途径的前馈激活的抑制性中间神经元的长距离连接,并驱动目标区域活动的抑制。因此,显然需要分析和理解连接性符号的泛化对这类系统行为的影响。在本文中,我们提供了关于改变连接性符号如何影响广泛使用的生物物理模型中活动水平的分析[7]。我们考虑了两个区域通过四种连接场景相连的最简单配置,在控制区-目标区范式内进行这种分析。我们使用敏感性分析来进行这项分析,即一旦确定了连接场景,所选的可观测量(例如目标区的活动水平)如何依赖于参数集。近年来,已经提出了多种旨在确定参数依赖性的方法[23–25]。这项任务因涉及的参数数量众多(通常是几十个)而变得复杂。一种突出每个参数相对贡献的方法是采样整个参数空间,执行离散时间数值模拟,并选择系统随时间的数值轨迹上的某些可观测量。然后,可以使用随机森林[24]、群体优化[25]或贝叶斯推断[23]等方法,根据选定的指标对这些可观测量进行分类。相比之下,这里我们严格意义上的“敏感性”是指状态变量值相对于参数的功能偏导数,并给出了相应的分析表达式,这是在任何数值解析之前的。为此,我们开发了一个方法论框架,用于构建嵌套敏感性的层次结构,并分析基于连接性的目标区响应所得到的敏感性结构。我们展示了我们的完整分析,希望我们的结果能为处理人类大脑生物物理模型的社区提供关于连接性建模选择的启示。
1.2 模型
1.2.1 建模背景
我们首先从Deco等人[7](基于[26])引入的兴奋性/抑制性神经群体的动态平均场(DMF)模型开始,以解释静息状态网络(RSNs)。对于每个区域,平均场描述总结了相应的底层尖峰神经网络,其中兴奋性锥体神经元和GABA能抑制性神经元相互连接。在平均场描述尺度上,区域通过长距离兴奋性信号(NMDA介导的连接)相互连接,这些信号由解剖学连接性和全局耦合强度加权。然后对这些平均场方程进行数值积分,跨越初始条件,以研究稳态景观。他们调整了模型中的全局区域间耦合强度,使其与基于fMRI的功能连接性相匹配,并表明静息状态的大脑处于多稳态的边缘[7]。然后使用这个DMF模型更全面地探索了系统的动态[27],特别是噪声传播如何反映解剖学连接性和围绕自发低发射稳态的慢动态的双重效应,从而导致功能连接性(即皮层区域之间的成对相关性)。在这里,他们表明,根据fMRI数据拟合的全局区域间耦合强度表明大脑处于完全的多稳态,尽管静息状态是一个稳定的稳态。此外,他们表明成对相关性取决于每个区域对来自其他区域输入的敏感性。由于这些敏感性又取决于所考虑的稳态下的活动水平,因此影响这些活动水平(例如,通过过度激活某些区域)会导致不同的稳态,从而导致不同的功能连接性,而解剖学连接性保持不变[27,28]。然后使用该模型从功能连接性推断解剖学连接性,将结构与功能联系起来[29],探索了根据噪声水平在多个RSNs之间动态转换的可能性[9],并提出人类大脑的解剖学连接性可能是进化调整的,以在区域间耦合增加时显示最大的活动多样性[10]。在这个模型的改进中,Deco等人[8]提出通过明确考虑神经质量区域由两个神经元池组成来更好地描述它们:一个兴奋性池和一个抑制性池,以便局部限制内部反馈抑制。在这些约束下,恢复了区域内相关性应保持较低的经验发现,而在使用单池建模时则违反了这一发现。通过这种选择,可以使得区域内活动去相关化,而区域间相关性仍然反映功能连接性。此外,作为这种建模选择的结果,长距离兴奋性信号现在可以针对其他区域的兴奋性池或它们的抑制性池,或者两者都有。然后我们转向了这个模型的版本,因为它允许表示前馈抑制,即一个区域可以刺激另一个区域的抑制性池。此外,Deco等人[8]还考虑了通过外源性刺激刺激某些随机子集(10%)区域的效果,这些刺激代表任务相关信号。有趣的是,在这个版本中,动态在静息状态下只产生一个稳定的稳态(对于避免癫痫发作的合理耦合强度),并且必须通过这些外源性刺激来切换状态。他们认为这种改进可以更稳健地预测功能连接性,并对外部刺激产生更真实的响应[8]。Glomb等人使用这个两池区域模型从围绕单一稳态的波动中恢复了RSNs的时空结构[30]。作为最后的扩展,Naskar等人[1]基于GABA和谷氨酸浓度合理化了驱动平均突触门控变量的动力学参数。我们从这个版本开始。
1.2.2 模型的形式表达
在这个模型中,神经质量尺度的状态变量被称为平均突触门控变量,分别代表兴奋性(分别为抑制性)池的NMDA(分别为GABA)突触通道的开放比例。对于每个区域i,它们的动态由以下常微分方程给出:(1)其中中间变量和代表每个池的平均场发射率,这些发射率由输入输出函数给出(受[31]启发):(2)这些又取决于输入电流和,这些电流总结了所有传入的贡献:(3)在这些表示中,方程3中明确表示了耦合,即耦合被建模为关于其他区域兴奋性池中开放通道比例的信息流。在区域尺度上,有四种耦合:兴奋性池的自兴奋耦合、兴奋性池对抑制性池的兴奋性耦合、抑制性池的自抑制耦合以及抑制性池对兴奋性池的抑制性耦合(见图1)。请注意,如果没有所谓的基线输入电流,系统活动将趋于零,只剩下噪声σ,而在上述所有论文中,噪声σ都被设定为一个可以忽略的水平。1.2.3 通用化连接性。在上述模型中,区域之间的耦合仅发生在兴奋性池之间。为了增加灵活性,我们引入了一个额外的参数,该参数调节来自区域j的长距离兴奋性输入投射到区域i的兴奋性池的比例,剩余部分则被认为是投射到其抑制性池。我们还用表示有效的外部输入电流,以便它们可以在不同区域之间变化,并引入了一个参数以获得一个统一的表达式。通过这些扩展,我们的系统仅修改了方程3,现在其表达式为:(4)其中和nA在[1]中给出。1.3 基于敏感性的连接性效应分析 1.3.1 控制-目标模式。由于我们对抑制性控制过程感兴趣,我们可以区分两种类型的区域,将系统划分为一组控制区域和一组目标区域。为了分析区域间的连接性如何塑造系统的行为反应,主要问题是了解目标区域在控制区域上调节后如何响应,同时考虑到目标区域本身也可以反向投射到控制区域并对它们的上调节产生反馈效应。对于单个区域,图2展示了兴奋性池对输入的典型反应时间过程(紫色线条)以及相应的BOLD信号(绿色线条),如[33]中所建模的(所有形式发展的数值示例都使用S1文件中列出的参数值)。下载:PPT PowerPoint幻灯片PNG较大图像TIFF原始图像图2. 隔离区域对输入的基本响应。开放通道的比例sn及其对应的BOLD信号在连续刺激下的变化情况。刺激的时间过程是典型的TNT任务,刺激步骤持续3秒,间隔时间在2.4到3.6秒之间(如[32]中所述)。BOLD信号由sn驱动,如[33]中所建模的。https://doi.org/10.1371/journal.pcbi.1014035.g002当值交替切换(在0.382到0.482 nA之间)时,可以看到活动水平会迅速调整,而BOLD信号则会有明显的延迟。这种时间尺度的分离在控制-目标系统中同样成立(见第3.4.1节)。在神经质量层面,我们可以在稳态下研究系统的行为,这些稳态是动态的固定点(在本文的参数范围内,所有固定点都是稳定的,见S2文件)。因此,我们可以通过研究固定点如何受到参数的影响来解决连接性的效应问题,即预测目标活动水平将如何变化。为此,我们将开发一个敏感性分析,构建一个分析表达式,描述系统对某些控制区域的微小扰动的响应,以及它如何影响所有区域的活动水平(包括受到扰动的区域)。我们感兴趣的是目标区域的活动水平是上调还是下调,这由敏感性的符号决定(即活动水平相对于扰动的导数的符号)。一旦建立了这样的敏感性表达式,就可以用它们来分析系统的行为,这取决于连接性的类型。1.3.2 将感兴趣的敏感性形式化为嵌套敏感性的层次结构。敏感性应在对应于静息状态的固定点处进行估计。根据Naskar等人[1]的方法,参数将按区域进行调整,使得静息状态对应于规定的兴奋性池的发射率(以Hz为单位)。一旦确定了这个固定点,我们就在控制区域对施加一个微小扰动,并观察其对目标区域状态变量的影响。因此,基本上敏感性被表示为为了推导出分析表达式,我们可以使用传统的基于雅可比矩阵的方法来构建敏感性,但考虑到系统规模的敏感性取决于元素级别的敏感性,我们选择通过构建敏感性层次结构来进行,如图3所示。下载:PPT PowerPoint幻灯片PNG较大图像TIFF原始图像图3. 方法原理。(A) 一个兴奋性池,无论是兴奋性的还是抑制性的。(B) 一个包含两个耦合池的区域。(C) 两个耦合的区域。https://doi.org/10.1371/journal.pcbi.1014035.g003在情况(A)中,池的活动水平对外部刺激的敏感性表示为其与自身解耦时的敏感性函数。在情况(B)中,每个池的活动水平对外部刺激的敏感性表示为解耦池的敏感性函数,即情况(A)中的表达式。在情况(C)中,每个区域的兴奋性池对外部刺激的敏感性表示为解耦区域的敏感性函数,即情况(B)中的表达式。在这三种情况下,系统级别的敏感性表示为组件级别敏感性的函数(彩色框),通过打开反馈循环(切断彩色连接)。从考虑孤立时的兴奋性和抑制性池的敏感性开始,我们可以表达两个池耦合时一个区域的敏感性。在下一个层次,耦合区域的敏感性可以表示为每个区域解耦时的敏感性函数。在再下一个层次,属于两个耦合子系统的区域的敏感性可以表示为它们在各自子系统中时的敏感性函数。在本文中,我们将关注一个由两个区域组成的系统,一个控制区域(表示为C)和一个目标区域(表示为T),并将对更大系统的推广留给未来的配套论文(见展望)。因此,我们寻找的一个形式表达式是。2 模型:构建嵌套敏感性的层次结构整个系统可以看作是由三个嵌套层次组成的:系统本身,其中包含区域,区域又包含池。在这里,我们将展示如何构建一个层次上敏感性的分析表达式,作为较低层次敏感性的函数。由于从一个层次构建敏感性的原则在各个层次上是通用的,我们将在最简单的情况下完全展示这一原则(从池层次到区域层次)。对于更高层次的集成,具体细节在S2文件中给出,我们只报告相应的结果。2.1 在池层次上关注一个孤立的池(这里是兴奋性池,见图3A)在稳态下,其状态变量必须满足:(5)其中星号表示固定点值(为清晰起见,下面我们省略了星号),表示外部刺激。为了解释这个孤立兴奋性池的系统表达式,首先考虑的情况。那么,将仅由刺激项决定,并将直接决定相应的值。在这种情况下,动态将是线性的,fn将是一个可以解析求解的仿射表达式。如果现在,那么也将取决于的值,因此也将取决于,这反过来会影响的值:因此,从动态的角度来看,系统非线性的支持是兴奋性池通过循环连接性的自我放大,这在函数wn中通过参数表示。如果我们现在考虑对的扰动,我们得到一个新的模型,其表达式为:(6)我们想要敏感性的形式表达式。对扰动的线性化得到:(7)其中导数需要在固定点值处计算(的表达式在S2文件中给出)。将最后两个方程代入第一个方程,我们得到:(8)重新排列以表示如何依赖于:(9)这个表达式在构建层次敏感性方法中非常重要:它提供了一种清晰的形式,用于识别对的扰动将如何影响系统响应,当与开环条件下的系统响应相比。两者通过反馈增益相关联,该反馈增益将被确定为:(10)在没有循环连接性的情况下(设置,因此,打开和之间的循环),我们将有,所以扰动唯一的效果将直接转化为对的扰动。这将相当于考虑打开sn自身的反馈循环,我们可以将开环响应表示为。然后,开环敏感性定义为:(11)然后,我们可以将闭环敏感性写为开环敏感性的函数,如下所示:(12)其中(13)定义了通过和之间的反馈循环对扰动的反馈增益。从这里开始,我们可以分析关闭循环的作用,这取决于g的值,从而预测系统对外部输入扰动的响应,即:如果,那么,所以。与负反馈增益耦合会降低对输入的敏感性。如果,那么,所以。与小于1的正反馈增益耦合会增强对输入的敏感性。将系统引入未知领域,需要根据具体情况进行研究。在孤立兴奋性池的情况下,反馈增益是正的(见图4)。下载:PPT PowerPoint幻灯片PNG较大图像TIFF原始图像图4. 兴奋性池对输入的响应、反馈增益和敏感性。(A) 通过求解方程5数值提取的固定点值,对于和的值。垂直虚线对应于nA。(B) 根据方程2得到的相应发射率。(C) 根据方程13得到的相应反馈增益值。(D) 根据方程15得到的相应闭环敏感性。见第3.1节的评论。https://doi.org/10.1371/journal.pcbi.1014035.g004最后,我们可以得出结论(详见S2文件):(14)其中我们定义函数,以便明确表达孤立兴奋性池的敏感性依赖性。这里的主要点是考虑这个敏感性分析表达式既依赖于外部刺激,也依赖于所考虑的固定点(可能有多个固定点)。当我们把兴奋性池与抑制性池连接起来时,表达式将保持不变,即使其值会改变,因为耦合会修改计算它的和的值。在孤立池的情况下,被规定为有效的外部输入,这反过来固定了固定点值,而在耦合情况下,也将取决于来自系统其他部分的输入,这些输入又取决于它们在耦合情况下的稳态值。对于抑制性池,我们以相同的方式进行处理(见S2文件),得到:(15)其中函数明确表达了孤立抑制性池的敏感性依赖性。在孤立抑制性池的情况下,反馈增益是负的(见图5)。下载:PPT PowerPoint幻灯片PNG较大图像TIFF原始图像图5. 抑制性池对输入的响应、反馈增益和敏感性。(A) 通过求解方程5数值提取的固定点值,对于和的值。垂直虚线对应于nA。(B) 根据方程2得到的相应发射率。(C) 根据方程13得到的相应反馈增益值。(D) 根据15得到的相应闭环敏感性。见第3.1节的评论。https://doi.org/10.1371/journal.pcbi.1014035.g005 2.2 在区域层次上每个区域包含耦合的兴奋性和抑制性池(见图3B)。在这里,我们感兴趣的是兴奋性和抑制性池活动对正外部刺激的敏感性。为了构建这些敏感性的分析表达式,我们在这里再次考虑开环条件与闭环条件,现在假设要打开的环路是两个池之间的耦合。开环敏感性变成了当两个池之间的连接被消除时(即在图3B中,当彩色连接被切断时),池对扰动的敏感性,也就是对外部刺激的敏感性(现在分别用 和 表示),此时两个池之间的反馈不存在,即上一节中刚刚构建的池级敏感性。我们用 表示兴奋性池活动 对施加在兴奋性池上的刺激 的敏感性,用 表示抑制性池活动 对相同刺激 的敏感性。我们用 表示相应的开环敏感性。遵循与孤立池相同的思路(见S2文件),我们将闭环敏感性(池在耦合状态下的敏感性)表示为开环敏感性的函数(池仅具有其循环耦合时的敏感性)。最后,我们得到:(16)如上所述,这里的主要点是考虑开环敏感性与孤立池敏感性具有相同的函数形式,只是它们必须在耦合系统产生的固定点 和 处进行评估,并考虑外部刺激的总量(即基本刺激 或 以及来自另一个池的刺激: 和 )。因此,我们可以写出孤立区域的敏感性的函数形式 , , 和 ,以明确表达它们的依赖性:(17)其中 和 由方程14和15给出。2.3 在两区域系统层面我们现在转向两个区域之间的耦合(见图3C)。与使用孤立池的敏感性的函数 和 构建孤立区域敏感性相同的方式(见(17)),我们将使用在(17)中定义的函数 , , 和 来表示两区域系统的开环敏感性。因此,现在要打开的环路是两个区域之间的连接。首先,我们为任何两区域系统全面地构建了对其中一个池的输入电流扰动的敏感性矩阵的表达式,并将其表示为单区域系统中敏感性的函数(见S2文件)。2.4 控制-目标系统在第二步中,我们使用这个通用表达式来解决敏感性如何驱动一个区域的兴奋性池对另一个区域的兴奋性池激活的响应的问题,这取决于两个区域之间的连接性。因此,我们为每个区域分配一个角色:接收扰动输入电流的区域将被称为“控制”区域(用C表示),另一个区域将被称为“目标区域”(用T表示)。由于我们感兴趣的是理解BOLD信号如何受到连接性的影响,我们将重点关注它们的兴奋性池 和 的扰动表达式(这些扰动驱动BOLD信号的变化,见[33]),以响应施加在控制区域输入电流上的扰动。我们得到(见S2文件):(18)用易读的形式表示,我们有控制区域的:(20)因此我们可以定义通过反馈回路从控制区域到目标区域作用于 的反馈增益。对于目标区域,我们有:(21)因此作用于 的反馈增益是相同的,即:(22)2.5 连接性对目标敏感性的影响到目前为止,我们已经推导出了任何连接性的敏感性和增益的正式表达式,即任何控制兴奋性和抑制性池在区域之间如何连接的值。现在我们将通过为 和 分配二进制值来考虑典型的可能性。考虑到(长距离)连接总是从兴奋性池开始的,那么我们有四种可能性,这取决于每个区域是接收来自其兴奋性池还是抑制性池的兴奋性信号(见图6)。下载:PPTPowerPoint幻灯片PNG更大图像TIFF原始图像图6. 考虑的连接性。(A)相互兴奋(E-E),(B)目标到控制抑制(I-E),(C)相互抑制(I-I),(D)控制到目标抑制(E-I)。我们用 表示连接性,其中第一个□表示控制区域(蓝色)的接收池(E或I),第二个□表示目标区域(橙色)的接收池。https://doi.org/10.1371/journal.pcbi.1014035.g006然后我们可以对代表抑制控制模型的连接性方案(目标到控制抑制(I-E)、相互抑制(I-I)或控制到目标抑制(E-I)的系统行为进行预测,相对于“参考模型”即相互兴奋(E-E)。我们约定用 表示连接性,其中□分别表示控制区域和目标区域的接收池(E或I)。因此,我们将相应的反馈增益表示为:。然后我们可以为任何连接性写出反馈增益和敏感性的通用表达式:(23)从而得到表1中给出的每种连接性的敏感性。下载:PPTPowerPoint幻灯片PNG更大图像TIFF原始图像表1. 控制区域和目标区域对输入电流扰动的敏感性。https://doi.org/10.1371/journal.pcbi.1014035.t001由此,我们现在可以预测敏感性的符号:对于,由于(见第3.2节),我们总是有。目标区域的敏感性由以下公式给出:下载:PPTPowerPoint幻灯片PNG更大图像TIFF原始图像https://doi.org/10.1371/journal.pcbi.1014035.t002我们得出结论,只有I-I或E-I连接性才能将控制区域的上调转化为目标区域的下调。3 结果和讨论使用S1文件中列出的参考参数值,下面给出了这些形式发展的数值示例。使用Python 3语言构建这些数值示例所需的所有代码都在S3文件中给出。3.1 池中自耦合的效果为了说明系统基本单元的行为,图4展示了随着其自兴奋性耦合参数的增加,进入的输入对孤立兴奋性池活动水平 的影响。随着 的增加,固定点 单调增加,直到饱和值1(图4A)。使用[1]中给出的参数集(列在5中),我们观察到一个阈值效应,对于低于大约 nA的输入值没有反应。这种阈值效应是由于从输入到sn的转换中的过滤效应,通过发射率rn(方程2,图4B),因此如果方程5中的,那么 也必须如此。超过这个阈值后,固定点值随着 的小增量而强烈增加,因此相关输入值的范围相当狭窄。如果我们认为100 Hz的发射率是高度激活池的合理最大值,那么在没有自兴奋性环路()的情况下,这个范围将从 nA扩展到 nA(图4B)。这种对输入的高反应性可以通过反馈增益(图4C)来解释,该增益是正的,并且随着自兴奋性耦合参数 的增加而变得很大。当 时,增益在分析上是零(蓝色曲线),相应的敏感性是开环敏感性(图4D中的最低值)。随着 的增加,对于 的增益保持为零,因为没有输入用于自我放大,而对于 则饱和到0(因为没有更多的可能增益)。在中间,增益在 的范围内达到最大值,这对 有最大影响。然后相应地缩放了闭环敏感性。图5展示了随着其自抑制性耦合参数的增加,进入的输入对孤立抑制性池活动水平 的影响。正如预期的那样, 的增加会单调增加固定点值,但这里的增加速率远低于兴奋性池(图5A)。由于自耦合是抑制性的,反馈增益是负的(图5C),因此在没有它的情况下敏感性最高(蓝色曲线,图5D)。因此,自抑制性耦合将相关输入值的范围扩展到低于100 Hz的发射率(图5B),从大约 nA扩展到大约 nA。3.2 两个池的耦合效果在图4A和5A中,垂直虚线报告了当池连接形成一个区域时代表基本外部输入 和 的值,这些值在[1]中给出。从它们在相关值范围内的位置,我们可以预期抑制性池对一个孤立区域基本活动水平的作用:由于 接近阈值,它将被兴奋性池的兴奋性输入上调,因此它向后传递到兴奋性池的抑制性输入实际上会将 降低到接近阈值的值。即,根据[1]规定的值,兴奋性池需要下调以在静息状态下具有合理的兴奋水平。这种两个池的耦合效果在图7中展示,我们对该区域施加不同的 或 值,围绕参考值(垂直虚线),并控制抑制性池对兴奋性池激活的反馈抑制的强度。这种反馈抑制然后在区域层面起到自我抑制的作用。下载:PPTPowerPoint幻灯片PNG更大图像TIFF原始图像图7. 孤立区域中兴奋性池的敏感性和响应。(A—C)对兴奋性池的外部输入响应,(D—F)对抑制性池的外部输入响应。(A, D)敏感性,(B, E),(C, F)。见第3.2节的评论。https://doi.org/10.1371/journal.pcbi.1014035.g007我们在左列报告了在保持 为参考值的情况下改变 对兴奋性池活动水平的影响。在这种情况下,一方面,增加 将直接提高兴奋性池的活动水平,另一方面,这种提高的活动水平又将通过前馈激活提高抑制性池的活动水平,这又将反过来对兴奋性池产生反馈抑制效应。考虑到所有反馈(自我兴奋和反馈抑制),敏感性保持正值(图7A),尽管其响应性可能比孤立池更为平滑。我们首先注意到,这里的敏感性再次具有钟形曲线。实际上,对于较低的外部输入值(),值将缓慢趋向于0,而对于过高的外部输入值(),它将缓慢饱和到1(图7B)。在中间,敏感性必须有一个峰值。对外部输入的响应性取决于区域层面的自我抑制强度,这由 控制。对于较低的值,响应性很陡峭,总输入的操作范围保持狭窄。实际上,在 的情况下,我们恢复了孤立兴奋性池的敏感性(方程14),然而对于在[1]中耦合池时规定的高值,我们观察到敏感性在 附近的分歧,这在图7B中转化为 的跳跃。这意味着,在没有足够的反馈抑制来下调兴奋性池的情况下,总输入的微小变化可能会导致全有或全无的响应,这不是我们认为神经池应有的属性。当 值大于0.75 nA时,这种分歧不再出现。随着 值变得越来越大,响应性变得更加平滑,因为对输入的敏感性峰值趋于减小,输入值的操作范围增加。由于敏感性可以被视为 对输入的导数,当考虑 时,它们的钟形曲线转化为S形曲线,操作范围的扩大转化为池的响应变得逐渐平缓。根据 的不同, 在参考值处的水平在相当大的范围内变化(从大约0.6对于 下降到大约0.05对于 )。然而,当考虑到总的有效输入时,这种在兴奋性池中的扩散在很大程度上被减少了,因为抑制性输入的负面影响起到了调节作用。例如,在某种情况下,总输入电流约为(图7C),这将转化为有限的发射率(Hz),而如果抑制性输入足够强(大约1.75nA),则抑制性反馈控制可以在区域层面完全抵消兴奋性池中的自兴奋性反馈(图7C,其中斜虚线对应于该情况)。在这样的高抑制性输入值下,外部输入nA将被完全抵消,从而产生100 Hz的发射率,就像在一个没有自兴奋性的孤立兴奋性池中一样(图4B中的蓝色曲线)。在图7的右侧列中,我们报告了在保持参考值的情况下改变抑制性输入的影响。正如预期的那样,兴奋性池对抑制性池输入电流的正扰动的敏感性是负的(图4D),因为增加抑制性池的输入电流会降低兴奋性池的输入电流(图4F)。我们注意到,在没有外部输入电流到抑制性池的情况下,抑制性池的活动几乎为零(即),这意味着在当前的参数设置下,来自兴奋性池的正向兴奋本身不足以激活它,因此我们恢复了孤立兴奋性池的高稳态(图7E)。另一方面,如果抑制性池的激活过于强烈,发射率将降至0并失去任何响应性。在两者之间,敏感性曲线的形状受抑制性输入的影响较小(对于某些值),因此操作范围大致保持不变,但随着抑制性输入的增加,中值逐渐降低。在图7F中,垂直虚线代表nA,水平虚线代表nA的情况,对应于抑制性反馈抵消自兴奋性的情况。当抑制性输入低于水平虚线时,抑制性反馈会过度抵消自兴奋性。两种行为之间的交叉点似乎在nA左右。一个重要的点是,任何额外的抑制性输入电流都会导致兴奋性池的总输入电流减少。总结来说,我们将指出四个主要点:对兴奋性池或抑制性池输入电流的正扰动的敏感性分别是正的和负的。这一点对于解释控制-目标系统行为非常重要。在参考状态下(即,将和设置为它们的参考值,代表没有来自其他区域的额外输入),通过调整可以直接调节兴奋性池的稳态值。根据[1]中规定的参数集,当抑制性池对兴奋性池的正扰动的反馈太弱时,该区域的响应性可能会很陡峭。此外,即使该区域内的自抑制反馈回路很强,进一步输入的操作范围也不大:在给定的参考值下,较高的抑制性输入值最多只能使输入电流相对于基本输入电流翻倍。鉴于模型的结构,外部输入对抑制性池的激活可能会降低兴奋性池的兴奋(对自兴奋的抑制),或者抑制兴奋性池(抑制作用大于自兴奋作用),这取决于抑制性池的兴奋如何影响通过该连接的兴奋性池的总输入电流。两种行为之间的交叉点似乎在nA左右。
我们现在转向根据图6中描述的连接性来说明控制-目标系统的行为。在所有情况下,控制区域的和目标区域的都设置为在参考输入电流下,即静止状态时的发射率为Hz。对于通过池E连接的区域,该值为nA;对于通过池I连接的区域,该值为nA。然后我们研究了在目标区域改变兴奋性输入电流的影响,对于一系列的值。请注意,在保持不变的情况下改变会影响静止状态下的发射率。在所有情况下,我们验证了敏感性的符号(见图8C、8D、9C、9D、10C、10D、11C和11D)与第2.5节中的预测一致。
在E-E连接性(相互兴奋,图8)中,兴奋性池处于相互兴奋状态(图8A),因此对变化的敏感性都是正的(图8C和8D),并且目标区域的活动只能在控制区域兴奋时增加。此外,与区域间连接相关的反馈增益是正的(图8B)。当控制区域被刺激时,这种正反馈会放大刺激的效果,并将两个区域的活动水平稳定在比没有相互兴奋时更高的水平。控制区域增加目标区域活动的能力受到设置的值的影响(图8E和8F)。对于较低的值(图8F中的蓝色曲线),目标区域的自抑制作用较弱,因此控制区域的兴奋可以转化为目标区域的更高活动(这里通过发射率来说明)。然而,我们注意到增加目标区域活动的能力可能仅限于狭窄的范围。例如,对于nA,有效的控制范围大约是,即目标区域的发射率从大约2 Hz增加到大约15 Hz。超出这个区间,进一步增加控制区域的活动效果较差(例如,将控制区域的发射率从25 Hz增加到50 Hz,只会在目标区域增加5 Hz)。值得注意的是,作为有效控制范围的核心值,敏感性的峰值差异很大,因此控制效果将高度依赖于设置的控制区域基本输入电流的值。
在I-E连接性(目标区域对控制区域的抑制,图9)中,控制区域对目标区域有兴奋作用,而目标区域反过来对控制区域有抑制作用。在这里,对变化的敏感性都是正的(图11C和11D),并且目标区域的活动只能在控制区域兴奋时增加。然而,与区域间连接相关的反馈增益变为负的(图11B),因此控制刺激的效果在两个区域都会减弱,导致活动水平低于没有反馈回路时的水平。控制区域增加目标区域活动的能力仍然受到设置的值的影响(图11E和11F),但与E-E连接性相比,有效控制的范围扩大了,并且随着值的增加而变得相当相似(图11C和11D),因此改变主要调节了有控制激活与无控制激活时发射率的范围。直接将控制区域连接到目标区域的抑制性池(I-I和E-I连接性)完全改变了情况:现在激活控制区域可以降低目标区域的活动,因为对变化的敏感性在两种情况下都变为负的。在I-I连接性(相互抑制,图10)中,反馈增益是正的,敏感性可以达到高值,并且覆盖狭窄的范围,如E-E连接性中的情况(注意nA的情况会导致接近0.4 nA的跳跃,可以忽略不计),这里再次显示出控制的狭窄范围。例如,在基本输入电流设置为它们的参考值时,两个区域都处于3 Hz的静止状态(nA,因此在图10F中接近绿色曲线),控制区域轻微激活nA,即增加10%,就足以将目标区域的活动降至0.5 Hz。在E-I连接性(控制区域对目标区域的抑制,图11)中,目标区域对控制区域激活的敏感性覆盖了考虑的所有范围,它们的峰值绝对值较低,因此控制的效果更加平滑且可以逐渐变化(如I-E连接性中的情况)。例如,在3 Hz的条件下(和,绿色曲线),现在需要在控制区域大约nA才能使目标区域的发射率达到0.5 Hz,即增加30%。然而,在I-I和E-I连接性中,控制区域的10%增加和30%增加都会使控制区域的活动水平从3 Hz增加到大约相同的30 Hz。总结来说,这里有两个主要点:1. 在相互兴奋的E-E连接性中,控制的上调通过两个区域的反馈回路得到放大;在目标区域对控制区域的抑制I-E中,控制的上调在两个区域都被减弱;在相互抑制的I-I连接性中,反馈回路放大了由控制区域上调触发的目标区域的下调;在目标区域对控制区域的抑制E-I中,这种下调被减弱。2. 在I-E和E-I连接性中,控制效果相对于比在E-E和I-I连接性中更为渐进。
3.4 控制区域阶跃激活对系统响应的后果到目前为止,我们已经从敏感性的角度分析了系统的响应,即和如何受到施加在控制区域兴奋性池上的微小(正)扰动的影响。敏感性的正式表达是推导出能够全面理解系统动态行为的分析结果的唯一途径。我们现在通过直接比较系统在静止状态和受到有限步长激活时的状态来扩展这一分析,这在宏观成像中是一个典型情况,例如在fMRI中,如在Go-NoGo或Think-NoThink任务中记录的BOLD信号([19,32])。
3.4.1 使用BOLD信号的说明。在图12中,我们展示了当控制区域的兴奋性池受到nA阶跃刺激时,E-E(左)和E-I(右)连接性的系统动态响应。我们报告了在20秒长的刺激(上排)或更现实的实验(例如,在[32]中,有四个3秒长的刺激,间隔随机延迟(下排)下,两个区域的突触活动和BOLD信号的行为。
在E-E连接性中(相互兴奋,图8),兴奋性池处于相互兴奋状态(图8A),因此对变化的敏感性都是正的(图8C和8D),并且目标区域的活动只能在控制区域兴奋时增加。此外,与区域间连接相关的反馈增益是正的(图8B)。当控制区域被刺激时,这种正反馈会放大刺激的效果,并将两个区域的活动水平稳定在比没有相互兴奋时更高的水平。控制区域增加目标区域活动的能力受到设置的值的影响(图8E和8F)。对于较低的值(图8F中的蓝色曲线),目标区域的自抑制作用较弱,因此控制区域的兴奋可以转化为目标区域的更高活动(这里通过发射率来说明)。然而,我们注意到增加目标区域活动的能力可能仅限于狭窄的范围。例如,对于nA,有效的控制范围大约是,即目标区域的发射率从大约2 Hz增加到大约15 Hz。超出这个区间,进一步增加控制区域的活动效果较差(例如,将控制区域的发射率从25 Hz增加到50 Hz,只会在目标区域增加5 Hz)。值得注意的是,作为有效控制范围的核心价值观,敏感性的峰值差异很大,因此控制效果将高度依赖于设置的控制区域基本输入电流的值,这应该成为的函数。
在I-E连接性(目标区域对控制区域的抑制,图9)中,控制区域对目标区域有兴奋作用,而目标区域反过来对控制区域有抑制作用。在这里,对变化的敏感性都是正的(图11C和11D),并且目标区域的活动只能在控制区域兴奋时增加。然而,与区域间连接相关的反馈增益变为负的(图11B),因此控制刺激的效果在两个区域都会减弱,导致活动水平低于没有反馈回路时的水平。控制区域增加目标区域活动的能力仍然受到设置的值的影响(图11E和11F),但与E-E连接性相比,有效控制的范围扩大了,并且在不同的值之间变得相当相似(图11C和11D),因此改变主要调节了有控制激活与无控制激活时发射率的范围。直接将控制区域连接到目标区域的抑制性池(I-I和E-I连接性)完全改变了情况:现在激活控制区域可以降低目标区域的活动,因为对变化的敏感性在两种情况下都变为负的。在I-I连接性(相互抑制,图10)中,反馈增益是正的,敏感性可以达到高值,并且覆盖狭窄的范围,如E-E连接性中的情况(注意nA的情况会导致接近0.4 nA的跳跃,可以忽略不计),这里再次显示出控制的狭窄范围。例如,在基本输入电流设置为它们的参考值时,两个区域都处于3 Hz的静止状态(nA,因此在图10F中接近绿色曲线),控制区域轻微激活nA,即增加10%,就足以将目标区域的活动降至0.5 Hz。在E-I连接性(控制区域对目标区域的抑制,图11)中,目标区域对控制区域激活的敏感性覆盖了考虑的所有范围,它们的峰值绝对值较低,因此控制的效果更加平滑且可以逐渐变化(如I-E连接性中的情况)。例如,在3 Hz的条件下(和,绿色曲线),现在需要在控制区域大约nA才能使目标区域的发射率达到0.5 Hz,即增加30%。然而,在I-I和E-I连接性中,控制区域的10%增加和30%增加都会使控制区域的活动水平从3 Hz增加到大约相同的30 Hz。总结来说,这里有两个主要点:1. 在相互兴奋的E-E连接性中,控制的上调通过两个区域的反馈回路得到放大;在目标区域对控制区域的抑制I-E中,控制的上调在两个区域都被减弱;在相互抑制的I-I连接性中,反馈回路放大了由控制区域上调触发的目标区域的下调;在目标区域对控制区域的抑制E-I中,这种下调被减弱。2. 在I-E和E-I连接性中,控制效果相对于比在E-E和I-I连接性中更为渐进。
3.4 控制区域阶跃激活对系统响应的后果到目前为止,我们已经从敏感性的角度分析了系统的响应,即和如何受到施加在控制区域兴奋性池上的微小(正)扰动的影响。敏感性的正式表达是推导出能够全面理解系统动态行为的分析结果的唯一途径。我们现在通过直接比较系统在静止状态和受到有限步长激活时的状态来扩展这一分析,这在宏观成像中是一个典型情况,例如在fMRI中,如在Go-NoGo或Think-NoThink任务中记录的BOLD信号([19,32])。请参阅第3.4.1节的评论:https://doi.org/10.1371/journal.pcbi.1014035.g012
正如图2所预期的那样,突触活动对刺激开始的动态响应在所有情况下都是阶梯状的。同时,根据我们的敏感性分析,目标区域通过减少活动(首先是突触活动,然后是BOLD信号)来作出响应。长时间的刺激让我们了解了这种动态的特征时间。与突触活动不同,BOLD信号需要大约15秒才能达到刺激引起的稳态值,并且在刺激停止后也需要大约相同的时间才能恢复到其静息值。如果在两种连接性中,突触活动都能在不到一秒的时间内调整到刺激开始的状态,那么在E-E连接性中,它们恢复到静息状态的时间(大约6秒)比在E-I连接性中要长。这种在E-E连接性中的更长延迟是由于两个区域之间的正反馈增益造成的:例如,如果我们关注控制区域,即使在刺激停止后,由于目标区域的刺激,控制区域仍然会有一些过度激活,而这又受到控制区域剩余活动水平的维持(反之亦然)。在这里,正反馈增益起到了抑制放松的作用。相比之下,在E-I连接性中,控制区域的高活动水平倾向于降低目标区域的活性(相对于静息状态),因此控制区域的活性会降低(尽管随着放松的进行这种降低会逐渐减少),这样就没有任何因素会减缓恢复到静息状态的过程(负反馈增益则不会起到抑制作用)。
由于其较长的特征时间,在一系列短刺激的情况下,BOLD信号没有足够的时间达到其稳态值:它会在略低于长刺激时观察到的稳态值附近振荡。在这种刺激序列模式下,突触活动与BOLD信号之间的时间偏移的双射性就丧失了。尽管如此,考虑到突触活动水平对刺激开始的快速调整,考虑到所有反馈循环后,考虑受刺激状态与未受刺激状态之间的稳态突触活动的有限差异仍然是系统响应的一个有价值的观察指标。例如,在图12中,可以很好地识别出系统对控制区域nA刺激的响应。
3.4.2 目标区域内自抑制强度的效果取决于连接性。为了理解参数如何通过这些反馈循环驱动系统动态,我们选择研究目标区域的自抑制参数与控制区域在受到阶跃激活时对目标区域的影响之间的交叉效应。对于所探索的范围,我们根据确保两个区域在3 Hz时处于静息状态的值来设置它,从EI和II连接性的最小值(0.929 nA)到EE和IE连接性的大约两倍值(1.758 nA)。图13展示了四种连接性的响应(BOLD信号将显示相应的变化)。下载:PPT、PowerPoint幻灯片、PNG、更大图像、TIFF、原始图像。图13. 目标区域内自抑制强度的变化对控制区域阶跃激活响应的影响。按线条顺序:EE、IE、II、EI。左:控制区域,右:目标区域。虚线对应于当系统处于静息状态()时,在两个区域产生3 Hz发射率的值。请参阅第3.4.2节的评论:https://doi.org/10.1371/journal.pcbi.1014035.g013
为了与前面的章节建立联系,我们首先指出,对控制区域有限阶跃激活的响应可以看作是我们在前一节中分析确定的敏感性的连续求和。然后我们可以理解,对于任何值的,总是正的或总是负的敏感性积分,其符号将取决于连接性的类型,这将转化为目标区域响应的相同符号:E-E和E-I连接性将触发目标区域的上调,而只有I-E和I-I连接性可以解释抑制控制,其中目标区域的活性通过控制区域的激活而下调。现在关注将设置为参考值的响应(那些确保两个区域在静息状态时为3 Hz的值,图13中的虚线),我们可以清楚地看到刺激对两个区域响应的非线性效应,这是由于敏感性的积分造成的。例如,在E-E连接性中,对于一个轻微的值nA,由于图8C和8D中敏感性的急剧曲线在之后的积分,和都会急剧增加。因此,进一步的激活步骤对目标区域的影响只会越来越小,控制的范围是有限的。I-I连接性也是如此。正如敏感性分析所预期的,I-E和E-I连接性的响应更为渐进。如果我们现在考虑在保持不受影响的情况下改变(即设置为相对于3 Hz静息状态的参考值),目标区域到控制区域的反馈循环的影响可能会对控制区域的活性产生显著影响,即使在静息状态下也是如此。它甚至可能导致不现实的静息发射率值。例如,在EE连接性中,对于nA(而不是),我们得到和,分别对应于Hz和Hz。同样,在刺激时,应用相同的阶跃激活(例如,nA)不仅会根据不同的而影响,还会由于反馈循环而影响控制区域中的相应。因此,由于控制效果应理解为静息值和激活值之间的对比,一个重要的点是改变不仅影响激活状态,也影响静息状态。因此,通过两个因素影响控制效果:刺激应用前的活动水平,以及增加或减少的幅度。总的来说,所有这些结果都显示了目标区域内自抑制的作用,这取决于连接性。
4 结论
在这项研究中,我们的目标是了解大脑区域在神经层面上是如何连接的,以便在目标区域观察到BOLD活性降低时,控制区域的BOLD活性增加。对于神经模型,我们受到了Naskar等人[1]模型的启发,该模型描述了每个区域内的平均突触活性,包括兴奋性和抑制性。更具体地说,我们使用了相同的微分方程和神经生物学参数集,包括他们提出的值范围。他们的模型包括了一种我们称之为E-E的隐式连接类型。对于从神经状态到BOLD信号的耦合,我们使用了[33]提出的扩展Balloon-Windkessel模型。当这个复合模型(神经和BOLD)作为动态模型进行研究时,观察到它能够相当快速地达到一个稳态神经状态(也称为固定点,FP),而BOLD信号则会跟随神经信号的波动,并且会有某种延迟,很难达到FP。因此,我们首先关注了这个神经模型的稳态。以此为基础,我们使用两个脑区域作为配置模型,构建了对FP的敏感性分析,更具体地说,是一个控制区域和一个目标区域。使用这个双区域模型,我们构建了一个嵌套敏感性的层次系统,并且我们已经展示了:为了在目标区域减少突触活性,我们需要考虑除了E-E之外的其他类型的连接性,因为E-E无法引起抑制性响应。我们探索了四种不同的连接性,并且我们展示了只有E-I和I-I连接性可以减少目标区域的突触活性。E-I和I-I连接性都允许抑制控制,但在控制区域和目标区域活动变化的相关性方面有所不同,可能E-I允许更平滑的控制。目标区域内的自抑制系数在控制区域受到刺激时调节了这种突触活性的减少。通过分析目标区域对外部强迫的有限扰动的响应作为目标区域中的函数,我们观察到它影响静息状态和激活状态。
5 前景
关于我们通过跨层次描述来构建敏感性分析表达式的方法论,实际上,在有效性范围和数值问题方面,我们的嵌套方法与一种暴力形式主义之间没有区别,后者会将整个系统作为输入并推导出基于雅可比的敏感性。作为形式上的证明,并且因为必须消除这方面的任何歧义,我们提供了一个额外的补充信息(S4文件),展示了两种方法的收敛性。相比之下,在可读性、物理意义和实用性方面,这两种方法完全不同。例如,在开发一个3区域系统时(S5文件),可以看出,在系统中加入一个额外区域来表达敏感性并不需要从头开始为具有3个区域的完整系统推导基于雅可比的敏感性,而是可以通过利用嵌套方法更智能地构建:开环区域敏感性的表达式是相同的,因此只需要再加入一个元素:新的区域间连接性。这也适用于任何数量的N个区域。至于我们的展望,我们目前正在致力于将该方法推广到更复杂网络配置的嵌套敏感性构建,例如,一个包含几个控制区域和目标区域的系统,这些区域被分为两个子系统:一个控制区域子系统和一个目标区域子系统。这种方法将为某些配置提供分析上的敏感性访问,例如Mary等人[32]提出的抑制控制网络,该网络包括14个区域,由9个控制区域和5个目标区域组成,用于抑制创伤后应激障碍中的侵入性记忆。此外,这种对具有更多区域的系统级别的推广将允许整合网络中的中继,正如最近的研究[34]所观察到的。分析敏感性还有助于识别在任何大脑网络中最影响信息流的区域,而无需依赖数值实验[35,36]。
支持信息 参考文献
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号