深度人工神经网络模拟单个皮层神经元4

重点

1.皮层神经元很好地近似于一个深度神经元具有5-8 层的网络 (DNN)

2.DNN 的深度来自于 NMDA 之间的交互受体和树突形态

3.树突分支可以概念化为一组时空模式检测器

4.提供了一种统一的方法来评估计算任何神经元类型的复杂性

简要总结

利用机器学习的最新进展，我们引入了一种系统方法来表征神经元的输入/输出 (I/O) 映射复杂性。训练深度神经网络 (DNN) 以在毫秒（尖峰）分辨率下忠实地复制皮层神经元的各种生物物理模型的 I/O 功能。需要一个具有五到八层的时间卷积 DNN 来捕获第 5 层皮质锥体细胞 (L5PC) 的真实模型的 I/O 映射。当在训练分布范围之外广泛呈现输入时，该 DNN 可以很好地泛化。当 NMDA 受体被移除时，一个更简单的网络（具有一个隐藏层的完全连接的神经网络）足以拟合模型。对 DNN 的权重矩阵的分析表明，树突分支中的突触整合可以概念化为来自一组时空模板的模式匹配。这项研究提供了单个神经元计算复杂性的统一表征，并表明皮层网络因此具有独特的架构，可能支持其计算能力。

第四节 NMDA 突触是 L5PC 的 I/O 复杂性（“深度”）的主要贡献者

既然我们已经获得了一个 DNN 模型，它可以非常准确地复制一个真实神经元的详细的生物物理/隔室模型的 I/O 关系，我们是否可以从中学习哪些是导致神经元复杂性的基本特征？皮质锥体神经元的树突表明电压依赖性电流通过突触 NMDA 受体的主要作用，包括在阈下和阈上（NMDA 尖峰）状态（Polsky、Mel 和 Schiller 2004；Branco、Clark 和 Hausser，2010 欧元）。由于 NMDA 受体 (NMDAR) 非线性地依赖于电压，因此它们不仅对它们所在的突触的活动高度敏感，而且对相邻突触的活动（和产生的电压）及其树突位置也高度敏感。此外，NMDA 电流具有缓慢的动态，在数十毫秒的时间窗口内促进整合（Doron 等人，2017；Jahr 和 Stevens，1993；Majoret 等人，2013）。因此，我们假设从我们的 L5PC 模型中去除依赖于 NMDA 的突触电流将显着减小相应 DNN 的大小以达到相似的准确度水平，这意味着 I/O 转换的复杂性降低。在图 3 中，我们展示了新的一组模拟，其中 NMDA 电压依赖性电导被移除，因此兴奋性输入仅依赖于 AMPA 介导的电导。我们通过调整 AMPA 型突触的输入放电率以保持与图 2 相同的 L5PC 神经元模型的平均输出放电率来补偿由于 NMDA 去除而导致的兴奋性电流的显着降低（参见图 S4 中的精确细节）。

该图显示，对于这个模型，我们已经成功地实现了与图 2 中相似的质量拟合，但网络更小（且更浅）。该网络由具有 128 个隐藏单元和一个隐藏层（图 3B）和 T = 43 ms（历史）的全连接 DNN（FCN）组成。这种复杂性的显着降低是由于 NMDA 通道的消融。此外，在我们的 DNN 训练尝试中，当使用图 1 所示的 I&F 模型神经元成功的较小架构时，我们未能实现良好的拟合。这表明，在没有 NMDA 电导的情况下，L5PC 的 DNN 模型大大简化，额外的神经元与 I&F 神经元模型相比，L5PC 的 I/O 转换机制仍然有助于丰富其 I/O 转换。图 3C 显示了图 3B 中所示 DNN 的示例测试轨迹，而图 3H 描绘了一个权重矩阵的代表性示例通过检查 DNN 隐藏层的过滤器，我们观察到表示倾斜和基底树突输入的权重具有类似于突触后电位 (PSP；及时镜像) 的轮廓。

有趣的是，与顶端簇突触相关的权重基本上为零。对于网络的所有第一层过滤器，该模式保持一致，这意味着对于该模型，顶端树突突触具有关于神经元输出尖峰预测的微不足道的信息，即使在连接中偶尔出现钙尖峰的情况下也是如此。将此过滤器与图 2I 中所示的过滤器进行对比表明，NMDA 非线性极大地有助于激活顶端簇状树突。图 3D-3F 显示了定量性能评估。对于二元尖峰预测（图 3E），AUC 为 0.9913。对于体电压预测（图 3F），RMSE 为 0.58 mV，该模型解释了 95.0% 的方差。

为了系统地比较仅 AMPA 情况（图 3）与 AMPA 和 NMDA 情况（图 2）的 DNN 的复杂性，我们选择了一个最小近似阈值（AUC = 0.9910）作为“足够好”的性能阈值与相应生物物理模型的尖峰相比，DNN 的尖峰准确性。表现好于这个阈值的 DNN 被认为是“一个很好的近似值”。Wethen 询问，对于仅 AMPA 的情况与 AMPA 和 NMDA 情况相比，满足这个阈值的最小网络是多少。为此，我们训练了总共 137 个 DNN（62 个仅用于 AMPA，75 个用于 AMPA 和 NMDA），同时改变三个主要超参数：深度、宽度 [每层的通道数] 和用于进行预测的输入历史的时间范围。图 4A 描绘了一个总结结果的表格。很明显，为了达到相似的准确度水平，对于所考虑的所有三个超参数，AMPA 案例都需要更小的 DNN。图 4B 描绘了在所有尝试的超参数配置中满足最低性能阈值的 DNN 的深度和宽度的二维散点图。很明显，对于 AMPA 和 NMDA 情况（深红点），只有具有大深度和宽度的网络才能达到这种最低准确度水平，而对于仅 AMPA 情况（橙色点）来说，更小（较浅）的网络就足够了。请注意，尽管在选择不同的 AUC 阈值时结果的精确细节会有所不同，但总体趋势保持不变。有关扩展比较，请参见图 S2。

为了进一步研究 NMDAR 之间的关系及其与树突形态的相互作用，以及 NMDAR 密度对 I/O 转换复杂性的影响，我们进行了一组额外的分析。如图 S5A-S5C 所示，当 AMPA 和 NMDA 突触仅放置在 L5PC 形态的一部分上时，我们检查了 I/O 复杂性。我们检查了四个这样的情况，其中突触撞击树突树的不同区域。这些案例彼此严格包含，因此我们有一个明确的复杂性轴（完整的形态，不包括簇突触，仅在基础树上的突触，以及仅位于基础树近端隔间的突触）。图 S5G 显示了这些结果的摘要，清楚地表明 I/O 复杂性降低，因为包含突触的形态逐渐受到更多限制。在图 S5D-S5F 中，我们检查了将 NMDA 突触放置在基础树的近端和远端部分的情况与各自的仅 AMPA 情况之间的相互作用。图 S5H 显示了这些结果的总结，这表明突触类型和形态之间存在加性相互作用，特别是在仅 AMPA 的情况下，具有突触的分离树突区室更难建模；在这种情况下，NMDAR 突触的非线性给建模工作增加了额外的复杂性。在图 S6 中，我们检查了 I/O 关系对最大 NMDA 电导的依赖性。很明显（图 S6D）即使 NMDA 电导的小幅增加也会对 I/O 复杂性产生重大影响，并且随着 NMDAR 密度的进一步增加，I/O 复杂性也会增加，尽管“收益递减”。