《PLOS Computational Biology》:Emergence of multifrequency activity in a laminar neural mass model
编辑推荐:
本文针对大脑中跨皮质层慢波与快波振荡耦合的动力学机制进行深入研究。研究人员通过对新近提出的生物物理基础多层神经质团模型(LaNMM)进行分岔分析和数值模拟,探索了该模型如何产生周期性、准周期性和混沌振荡,并揭示了包括delta-gamma、theta-gamma和alpha-gamma在内的多种跨频耦合现象。研究发现,模型的多频活动源于两个不稳定极限环的共存,并证实了与阿尔茨海默病相关的病理改变会损害其维持复杂跨频交互的能力。这项研究为理解依赖跨频耦合的认知过程提供了动力学系统视角,为未来的建模研究与脑疾病机制探索奠定了基础。
大脑并非一个沉默的器官,它时刻演奏着复杂的“电交响乐”。从深沉的δ(delta)波到高亢的γ(gamma)波,这些节律性的神经振荡被认为是认知功能——如感知、记忆和信息处理——的基石。特别有趣的是,不同频率的振荡并非独立演奏,它们之间存在精密的“跨频耦合”(cross-frequency coupling),例如,慢波振荡的相位可以调节快波振荡的幅度,这种协调被认为对大脑的信息整合至关重要。理解这些节律如何在大脑皮层的不同层次(层流结构)中产生和协调,是揭示高级脑功能机制的关键。然而,传统的神经质团模型(Neural Mass Models, NMMs)通常将大脑区域视为一个均质整体,难以刻画这种层特异性的多频动力学。
针对这一挑战,研究人员在《PLOS Computational Biology》上发表了一项研究,深入探讨了一种新近提出的、具有生物物理基础的“层流神经质团模型”(Laminar Neural Mass Model, LaNMM)。这个模型巧妙地将两个经典模型——产生低频振荡的Jansen-Rit模型和产生γ振荡的“锥体-中间神经元网络伽马”(PING)机制——整合在一起,分别对应大脑的深层和浅层皮质。研究的核心问题是:这个LaNMM模型如何涌现出丰富的多频活动?其背后的动力学机制是什么?与阿尔茨海默病(Alzheimer's disease, AD)相关的病理改变又会如何影响这种多频活动的能力?
为了回答这些问题,研究人员运用了动力学系统理论中的一系列强大工具。他们主要采用了“分岔分析”(bifurcation analysis),这是一种数学方法,用于研究系统参数(如外部输入强度)连续变化时,系统定性行为(如从静止状态突变为振荡状态)发生突然改变的临界点。通过专业软件AUTO-07p,研究人员绘制了系统随外部输入参数变化的“分岔图”,清晰地标出了系统产生振荡的阈值以及不同振荡模式(如周期、准周期)出现的区域。此外,研究还结合了“数值模拟”,直接求解模型方程以观察神经活动的时空演变,并通过计算“功率谱密度”来量化不同频率成分的强度。为了表征跨频耦合的强度,他们使用了由Tort等人提出的“调制指数”(Modulation Index, MI)来量化相位-振幅耦合。最后,通过计算“李雅普诺夫指数”(Lyapunov exponents),研究人员能够严格区分系统的周期、准周期和混沌动力学状态。这些方法共同构成了一套完整的动力学分析框架,用于无遗地探查LaNMM模型复杂的行为图谱。
3.1 LaNMM的基线动力学
研究首先展示了LaNMM模型的基本特性。当对模型施加一个脉冲输入时,代表深层锥体神经元的群体P1和浅层锥体神经元的群体P2表现出不同的响应动力学:P2反应更快、幅度更大,而P1反应更慢。在持续的恒定输入下,模型能够自维持振荡,其中P1主要表现出α频段(约10 Hz)的节律,而P2则在α节律上叠加了显著的γ频段(约40 Hz)活动。这张图直观地展示了这种多频活动,其功率谱证实了两个群体共享α节律,而P2独有强γ节律,为跨频耦合提供了基础。
3.2 固定点与分岔
通过分岔分析,研究人员系统地揭示了模型振荡活动产生的机制。以作用于P1的外部输入Cp1为参数进行分析发现,随着Cp1增加,系统会依次经历“鞍结环分岔”(Saddle-Node on an Invariant Circle, SNIC)、“极限环折叠分岔”(Fold of Limit Cycle, FLC)和“霍普夫分岔”(Hopf Bifurcation, HB)。这些分岔点划分出了不同的动力学区域:在SNIC和FLC之间,系统主要产生θ频段振荡;在FLC和第一个HB之间,主要产生α频段振荡;在第二个HB之后,则主要产生γ频段振荡。然而,当同时考虑作用于P2的输入Cp2时,情况变得更为丰富。增加Cp2会使产生γ振荡的HB分岔点左移,从而在参数空间中形成一个区域,其中支持低频(δ/θ/α)的极限环和支持高频(γ)的极限环“共存”。这张双参数分岔图清晰展示了这种共存区域(图中灰色区域),并标识出系统可产生δ-γ、θ-γ和α-γ耦合的不同参数区间。数值模拟结果()生动地展现了这三种跨频耦合模式。研究进一步通过李雅普诺夫指数分析确认,在多频活动区域,系统不仅存在周期振荡,还存在大面积的准周期(两个李雅普诺夫指数为零)甚至混沌(正李雅普诺夫指数)动力学。
3.3 PV中间神经元功能障碍
此部分研究将模型与疾病病理联系起来。研究人员模拟了阿尔茨海默病中淀粉样蛋白-β寡聚体(AβOs)积累导致的快抑制性帕尔巴林阳性(Parvalbumin-positive, PV)中间神经元功能损伤,具体表现为降低PV到P2的连接权重Jpv,p2。分岔分析显示,随着Jpv,p2逐渐降低(模拟疾病进展),产生γ振荡的分岔线显著右移,而支持低频振荡的分岔线左移,导致低频与高频极限环的共存区域(即多频活动区域)逐渐缩小,最终完全消失。这一结果从动力学角度解释了为何在阿尔茨海默病早期常观察到γ振荡功率降低,并表明疾病会优先损害大脑产生快速、多频交互活动的能力。
3.4 长程连接
最后,研究将单个LaNMM扩展为两个通过前馈和反馈连接耦合的“皮层柱”,以模拟脑区间的长程连接。分岔分析表明,即使在这种更复杂的网络结构中,多频活动及其背后的极限环共存机制依然稳健。两个柱状结构在不同的外部输入下,仍能展现出从δ-γ到α-γ的跨频耦合,证明了模型机制的鲁棒性和推广到更复杂神经环路的潜力。
本研究通过严谨的动力学系统分析,深入阐释了层流神经质团模型(LaNMM)涌现多频活动的核心机制——即支持不同频段振荡的极限环的共存。这一机制使得模型仅通过调节外部输入强度,就能灵活产生δ-γ、θ-γ和α-γ等多种跨频耦合模式,而无需改变其内部时间常数或增加神经元群体数量,显示了模型的高效性和灵活性。
研究的重要意义在于多个方面。首先,它提供了一个基于动力学原理的框架,用于理解大脑皮层不同层次间频率偏置和耦合的生理基础,将复杂的神经现象转化为可分析的数学问题。其次,研究成功地将病理改变(PV中间神经元功能障碍)映射到模型参数的改变,并通过分岔图的变化,直观展示了阿尔茨海默病如何逐步侵蚀大脑产生多频振荡和跨频耦合的能力,为理解该疾病的振荡功能障碍提供了机制性见解。这提示,跨频耦合的减弱可能是阿尔茨海默病早期的一个敏感动力学标志。最后,研究证明了该模型在引入脑区间长程连接后依然保持稳定,其核心动力学特性得以保留,这为未来构建大规模脑网络模型,以研究认知功能(如预测编码、脑区协同竞争)和神经系统疾病奠定了坚实的基础。总之,这项工作不仅深化了对LaNMM模型本身的理解,更将其提升为一个强有力的工具,可用于未来探索依赖于跨频耦合的各类认知过程及其在疾病中的失调机制。