深度人工神经网络模拟单个皮层神经元5

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。

第五节 将单神经元类比 DNN 推广到时空结构化输入

图 2 中显示的具有 NMDA 突触的 L5PC 的类似 DNN 在一大组突触输入上进行训练，这些突触输入均匀分布在树突树上并及时随机激活（参见 STAR 方法）。然而，这个 DNN 对可能导致高度非线性树突现象（例如，NMDA 尖峰）的空间聚集和时间同步输入的情况如何捕捉？图 6 显示，该 DNN 可以很好地推广到广泛的时空结构化刺激协议，而无需重新训练。图6A描述了兴奋性和抑制性突触撞击建模细胞的受限子树（紫色树突区域）的情况；在这种情况下，瞬时输入速率的时间模式类似于图 2 所示的 DNN 训练期间的时间模式，只是空间模式发生了变化。 L5PC 模型（青色）和类似 DNN（品红色）的电压响应轨迹如右图所示。图 6B-6D 中描述了 L5PC 模型的输出与其他时空结构化突触输入案例的相应 DNN 输出的比较，包括具有同步时间输入模式（图 6C 和 6D）和没有抑制（图 6B 和 6D）的情况。

在所有情况下，发现亚阈值电压响应和尖峰活动之间非常相似（参见图 S8B 和 S8C，了解所有上述条件的汇总细节和 230 分钟的组合模拟测试时间）。我们得出的结论是，尽管在一组输入突触上进行了训练，这些突触在时间上随机激活并均匀分布在 L5PC 模型树突上，但该训练输入集足够丰富，因此该模型单元的相应 DNN 成功捕获（很好地概括）了L5PC 模型适用于广泛的空间和时间结构化输入。我们注意到，如图 6 所示，泛化到不同输入统计数据的能力在很大程度上取决于 DNN 的大小。事实上，我们发现类比 DNN 越深，它的泛化效果越好（参见图 S8E 和 S8F 以及表 S1 进行完整的比较分析）。