Competition and cooperation between active intra-network and passive extra-network transport process

Competition and cooperation between active intra-network and passive extra-network transport processes

活跃的内部网络与消极的外部网络传递过程的竞争

Dan Maruyama & Michal Zochowski

Abstract

• 网络交互可以通过网络结构上的约束，或者通过网络上定义的动态过程与网络所处空间的链接产生复杂动力学
• 这里，我们研究其中一个过程：一个信号agent从网络的边上活跃的传递开，同时，因为扩散作用，传播也被动的产生了
• 我们展示这两种过程的合作或者竞争是依赖于网络拓扑结构，并且导致了复杂动力过程

Introduction

• 有些网络可以被单独研究，因为它们与所处空间的交互非常弱，例如：引文网络 citation network。
• 另一些，则例如：空间或地理网络 spatial or geographical networks
• 还有，例如：神经元或星形胶质细胞的网络通过神经突起/间隙连接/突触耦合起来，但同时，它会分泌化学物质到细胞外的空间，或者流行病学网络里（疾病通过个体接触和通过空气中病原体的扩散的网络）
  neuronal or astrocytic networks that are coupled through neurites/gap junctions/synapses, but also secrete chemicals into the extracellular space, or epidemiological networks where the disease spreads through personal contact and through diffusion of pathogens through the air

Result

• 双峰互动 bimodal interactions
  
  该交互的过程：

1) 网络中的活跃通路（pathway）定义为链接参数（connectivity parameters），包括链接半径 $R$，和重连参数 $p$以及扩散网络耦合常数 $\beta$
2) 被动的环境扩散，其中$N$是发射到嵌入空间的agents的数目，扩散随后以速度 $D^*$ 到charging element充电单元，按照常数$\gamma$的比例吸收。

• 星形胶质细胞，简单来说，释放存储于内质网中的钙到细胞质中，增加了细胞内游离钙的浓度。这里，钙通过间隙连接传播到其他星形胶质细胞里，同时，激活复杂化学级联反应来释放胶质发射机到细胞外的空间。胶质发射机（Glio变送器transmitters）反过来可以刺激在空间附近的其他细胞（神经元、 星形胶质细胞）
• 我们展示，基于网络连接，主动网络传递和被动环境传递有时会合作来传播兴奋，有时会竞争，限制系统的传播。
• 我们调查网络中时空格局的形成，通过一个与网络拓扑结构，网络连接的强度和环境与网络节点的反馈振幅有关的方程。
• 如果网络耦合或环境反馈振幅的大小足够，单一的过程是可以独立的持续驱动大规模时空格局的形成。
• 我们发现，这两个过程的中间耦合值对网络拓扑的出现是强依赖的

Method

模型

• agents的传播由两种机制控制：通过主动的网络连接和被动的环境扩散。模型中网络节点非常简单，仅限于充电和放电元素的通信（通过快速的均衡活跃agent的浓度）。被动扩散是与环境交互的自然选择，因为这是常见的环境运输方式。选择扩散作为网络中的互动机制，需要添加一个类似释放的机制，即通过agent格式化比方说原先自身内存的方式。
• 用于描述节点动力学的是一个改进的integrate-and-fire model

$$\tau_E \frac{dX_i}{dt}=-\alpha X_i+I_{noise,i}(t)+\beta\sum_j A_{ij}(X_j-X_i)+\gamma\sum_j D_{ij}(r,t-\tau_j)$$

其中$X_i$是第$i$个活跃agent。element time constant设为$\tau_E=3$，nodal leak constant设为$\alpha=1$。$I_{noise,i}$是一个瞬时亚阈值释放 an instantaneous sub-threshold release，定义为

$$I_{noise,i}(t)=\sum_{t_{n,i}}I_n[H(t-t_{n,t})-H(t-t_{n,t}-\Delta T)]$$
这里 $H$是Heaviside function，噪声幅度$I_n=2.1$， $t_{n,i}$是一个具体的噪声实例， $\Delta T=1$是脉冲持续时间。噪声随机到达一个给定节点的概率为 $p_n=0.01$。 $I_{flush,i}$描述当然agent的level达到阈值 $X_i=1$时内部自动释放流：
$$I_{flush,i}(t)=I_{amp}(e^{-\frac{(t-\tau_i)}{C_1}}-e^{-\frac{(t-\tau_i)}{C_2}})$$
其中 $\tau_i$是上次阈值的时间步数。内部释放的大小为 $I_{amp}=1.5$。波动区别在 $C_1=300,C_2=30$。I_{flush}在被激活之后有一个强积极状态，之后因为顽固期（refractory period）的持续，逐渐降低。顽固期有1000时间步，防止系统被持续激活。
最后的RHS描述外部的，环境的兴奋对每个网络元素的作用。 $\gamma$是耦合程度， $D_{ij}(r,t-\tau_j)$是两个维度扩散方程在距离 $r$和时间$t$在空间上的解。
$$D_{ij}(r,t-\tau_j)=\frac{N}{4\pi D^*(t-\tau_j)}e^{-\frac{r^2}{4D^*(t-\tau_j)}}e^{-\zeta(t-\tau_j)}$$
扩散常数 $D^*=0.01$