İleri yönlü biyolojik sinir sinir ağlarında bilgi iletimi

Abstract

Sinir sisteminde bilginin işlenimi farklı nöronal bölgeler tarafından yapılmaktadır. Bu durum, nöronal aktivitenin bir nöron topluluğundan başka bir nöron topluluğuna iletildiğini göstermektedir. Hesaplamalı yaklaşımlar nöronal aktivitenin farklı bilgi işleme birimleri arasındaki propagasyonunun nasıl gerçekleştiğini anlamada etkili araçlar sunmaktadır. Bu bağlamda ileri yönlü sinir ağları modeli sinir sisteminde bilgi iletiminin incelenmesinde basit bir platformdur. Bu çalışma, nöronların biyofiziksel açıdan daha gerçekçi modelleri kullanılarak ileri yönlü ağda nöronal aktivite propagasyonunun daha iyi bir biçimde anlaşılmasını hedeflemektedir. Ağdaki her bir nöron, membran üzerinde gömülü bulunan iyon kanallarının stokastik davranışlarını da içerecek şekilde hücre büyüklüklerine bağlı olarak modellenmiştir. Çalışmada ilk olarak, zayıf periyodik sinyallerin ileri yönlü ağda iletimindeki optimum koşulların belirlenmesi ele alınmıştır. Nöron iç dinamiklerinden kaynaklanan gürültü şiddeti belirli bir seviyenin üzerinde olduğunda, ilk katmana uygulanan zayıf sinyalin sonraki katmanlar tarafından yükseltilerek iletilebildiği tespit edilmiştir. Bunun yanında, sistemdeki gürültü şiddeti ve sinyal frekansı uygun bir biçimde ayarlandığında, katmanlar arasındaki sinaptik bağlantıların olası tüm bağlantı sayısının %4’ ü kadar olmasının etkili bir zayıf sinyal iletimi için yeterli olduğu gösterilmiştir. Çalışmada ayrıca oransal kodlama bağlamında, katmanlarda farklı gürültü rejimleri oluşturularak ateşleme oranlarının ileri yönlü ağdaki propagasyonu araştırılmıştır. Tüm gürültü rejimlerinde, ateşleme oranının ağdaki iletiminin katmanlarda nöronların sergilediği senkronizasyon mekanizması ile gerçekleşebileceği ortaya konmuştur. Sözü edilen mekanizmanın ileri yönlü ağda ortaya çıkabilmesinin giriş katmanı ateşleme oranı seviyesine, ağdaki sinaptik bağlantı yoğunluğuna, sinaptik akım istatistiklerine ve nöron iç dinamiklerinden kaynaklanan gürültü şiddetine bağlı olduğu da gösterilmiştir. Tespit edilen sonuçlar literatürdeki deneysel sonuçlarla tutarlılık göstermekte ve ileri yönlü ağda bilgi işlemenin nasıl gerçekleştiğinin anlaşılmasına katkı sağlamaktadır.

Information processing in the nervous system involves multiple stages of neuronal networks, where neuronal activity progress from one sub-population to another. Computational approaches provide useful tools to understand the underlying mechanisms of the activity propagation through multiple processing stages. A feedforward sequence of layers of neurons provides a simple platform for analyzing the propagation of neuronal activity in the nervous system. The present work aims at a better understanding of neuronal activity propagation in Feedforward Networks (FFN) by including a more biophysically realistic model of individual neurons on the network, where the stochastic behavior of voltage-gated ion channels embedded in neuronal membranes is modeled depending on the cell size. First, it is determined under which conditions the propagation of weak periodic signals through a FFN is optimal. It is found that successive neuronal layers are able to amplify weak signals introduced to the neurons forming the first layer only above a certain intensity of intrinsic noise. Furthermore, as low as 4% of all possible interlayer links are sufficient for an optimal propagation of weak signals to great depths of the FFN, provided the signal frequency and the intensity of intrinsic noise are appropriately adjusted. Next, in the context of rate coding, firing rate propagation is studied in FFN by considering the different noise regimes in layers. For all regimes, the stable propagation of input firing rate through the network can be achieved via the synchronization mechanism within the neurons in layers. It is also shown that the development of this mechanism in the network depends on the input rate, interlayerlink density, synaptic current statistics and intrinsic noise intensity in layers. Achieved results are consistent with experimental results, given in the literature, and advance our understanding of how information is processed in FFN.