A study of cortical network models with realistic connectivity

Abstract

Structure is fundamental in shaping the types of computations that neuronal circuits can perform. Explaining the laws that determine the connectivity properties of brain networks and their implications in neuronal dynamics is therefore an important step in the understanding of how brains operate. The local circuits of cortex, which are considered to carry out the basic and essential computations for brain functioning, exhibit a highly stereotyped and organized architecture, which is, in very general terms, conserved across different species, brain areas and individuals. An appropriate way to mathematically represent this family of networks is by means of models defined by a set of connectivity laws that include a certain degree of randomness. These laws reflect the common structural scaffold, whereas the randomness should be interpreted as the variability across the different networks in the ensemble. There is growing experimental evidence that the local circuits of cerebral cortex are far from the simplest random model, according to which connections appear independently with a fixed probability. This evidence is based on a set of observed features that have been collectively called the "nonrandomness" of the cortical circuitry. In this thesis we have explored to what extent several alternative architectures (clustered networks, networks with distance-dependent connectivity and networks that exhibit a given in/out-degree distribution) could be compatible with the reported nonrandom features. We showed that all these structural models can explain the experimental observations, which implies that these nonrandom properties do not provide much information about the underlying organization. This is mainly due to the fact that real data are collected from sparse neuronal samples due to experimental limitations. We sought a local measure that can nevertheless help to distinguish between different alternatives, and we found it in the "sample degree correlation" (SDC), or the correlation coefficient between in- and out-degrees in small groups of neurons. The analysis of the SDC in real data suggests that cortical microcircuits are heterogeneous in structure and possibly shaped through a mixture of distance-dependent and non-symmetrical organizational principles. We finally explored some of the dynamical consequences of imposing a heterogeneous structure in models of neuronal activity. This heterogeneity appears through an arbitrary joint in/out-degree distribution in the entire network. By means of both mean-field approximations and spectral analysis, we demonstrate that broad and positively correlated degree distributions can have an important effect on neuronal dynamics, which suggests that this particular type of structural heterogeneity might allow for richer network computations as compared to standard random models.

L'estructura té un paper fonamental a l'hora de determinar els tipus d'operacions que els circuits neuronals poden dur a terme. Entendre les lleis que defineixen la connectivitat de les xarxes del cervell i les seves implicacions en la dinàmica neuronal és, per tant, un pas important en la comprensió del funcionament d'aquestes xarxes. Els circuits locals del còrtex, que es creu suporten les computacions essencials i bàsiques de la funció cerebral, estan organitzats de manera altament ordenada i estereotipada, i aquesta arquitectura, en termes molt generals, s'ha conservat al llarg de les diferents espècies, de les diverses àrees cerebrals i dels individus. Una bona manera de representar matemàticament aquesta família de xarxes és mitjançant models definits per una sèrie de lleis de connectivitat que inclouen un cert grau d'aleatorietat. Les lleis reflecteixen el patró estructural comú, mentre que l'aleatorietat ha de ser interpretada com la variabilitat quan es comparen diferents xarxes del conjunt. Cada vegada hi ha més evidència experimental que els circuits locals del còrtex estan lluny del model aleatori més simple, segons el qual les connexions apareixen de manera independent amb una probabilitat fixada. Aquesta troballa es fonamenta en un conjunt d'observacions a les quals ens referim col·lectivament com la ?no aleatorietat? dels circuits corticals. En aquesta tesi hem explorat fins a quin punt diverses arquitectures alternatives (xarxes amb agrupació, xarxes amb connectivitat dependent de la distància i xarxes definides a través d'una certa distribució de graus d'entrada i de sortida) podrien ser compatibles amb les propietats de no aleatorietat. Hem mostrat que tots els models estructurals alternatius que havíem proposat poden explicar les observacions esmentades, per tant aquestes propietats no aporten gaire informació sobre el tipus d'organització subjacent. Això es deu principalment al fet que les dades reals provenen d'anàlisis molt restringides, en les quals l'estructura s'estudia a partir de mostres locals formades per poques neurones. Vam buscar un estadístic local que permetés, malgrat aquestes dificultats, distingir entre les diverses estructures alternatives, i l'hem trobat en el coeficient de correlació entre els graus d'entrada i de sortida en mostres petites, que hem anomenat "sample degree correlation" (SDC) en anglès. L'anàlisi d'aquesta mesura en dades reals suggereix que els microcircuits corticals tenen una configuració heterogènia -en el sentit que semblen diferir dels models simples proposats- i estan modelats possiblement per factors dependents de la distància física entre neurones però també per principis addicionals que actuen de manera no simètrica. Finalment, hem estudiat algunes de les conseqüències dinàmiques d'imposar una estructura heterogènia en models d'activitat neuronal. Aquesta heterogeneïtat apareix en els nostres models a través de la distribució conjunta de graus d'entrada i de sortida a la xarxa completa. Fent ús d'aproximacions de camp mitjà i de l'anàlisi espectral, hem mostrat que les distribucions de grau amb elevada variància i correlació positiva poden tenir un efecte rellevant en la dinàmica neuronal, fet que suggereix que aquest tipus d'heterogeneïtat estructural podria facilitar uns modes de computació més rics en comparació dels models aleatoris estàndard.