Applications of Information Theory to Analysis of Neural Data
信息论是为研究噪声信道中的通信而开发的实践和理论框架。它的概率基础和将统计结构与功能联系起来的能力使其非常适合研究神经系统中的信息流。它有许多有用的特性:它是对任何关系敏感的一般度量,而不仅仅是线性效应;它有有意义的单位,在许多情况下可以直接比较不同的实验;它可以用来研究通过观察单次试验中的神经反应可以获得多少信息,而不是多次试验的平均值。各种信息理论量通常用于神经科学(见条目“信息理论量的定义”)。在这篇文章中,我们回顾了信息论在神经科学中的一些应用,以研究单个神经元和神经元群体中的信息编码。
2015-01-08 q-bio.NC
Optogenetic manipulation of neural activity in C. elegans: from synapse to circuits and behavior
新兴的光遗传学领域允许光学激活或抑制神经系统中的神经元和其他组织。2005年,光遗传学蛋白在线虫C.第一次出现优雅的人。此后,C. elegans已经成为一个强大的平台,在其上进行突触功能、电路动力学和行为的神经元基础的光遗传学研究。梭线虫神经系统由302个神经元组成,其连接性和形态已被完全绘制,驱动着丰富的可通过视频显微镜量化的行为库。这种模式生物的紧凑的神经系统、可量化的行为、遗传易处理性和光学可及性使其特别适合于光遗传学询问。嗜盐视紫红质-2(ChR 2)、嗜盐视紫红质(NpHR/Halo)等常见的光遗传学蛋白均在C.优雅此外,利用分子遗传学和图案化光照明的最新进展现在已经使得有可能将光活化和抑制作用靶向于单细胞,并且在蠕虫自由行为时这样做。在这里,我们描述的技术和方法,光遗传操作在C。优雅我们回顾了最近的工作,利用光遗传学和C。elegans用于神经科学研究的突触,电路和行为水平。
2013-05-09 q-bio.NC
Graphic Processing Unit Simulation of Axon Growth and Guidance through Cue Diffusion on Massively Parallel Processors
神经发育不仅代表了一个令人兴奋和复杂的研究领域,并不断取得进展,但它也成为神经科学和发育生物学的中心,因为它致力于描述中枢神经系统在胚胎发育阶段的各个阶段出现的潜在细胞和分子机制。神经系统是一个动态的实体,其中遗传信息在塑造细胞内和细胞外环境中起着重要作用,这反过来又为干细胞前体细胞分裂和形成神经元提供了可靠的基础。在整个胚胎发育阶段,神经元经历不同的过程:从胚胎中的初始位置到预定义的最终位置的未成熟水平的迁移,轴突分化和运动生长锥朝向突触后靶点的引导,轴突和靶点之间的突触形成,以及最后的长期突触变化,这是学习和记忆的基础。为了更好地理解神经系统是如何发展的,已经创建并扩展了数学和计算模型,以便弥合系统级动力学与较低级别的细胞和分子过程之间的差距。本研究论文旨在说明潜在的理论数学和计算模型,用于分析神经发育的一个重要阶段-轴突生长和指导机制的扩散线索的存在下,通过可视化模拟,通过图形处理单元和并行编程技术进行优化。
2014-05-13 q-bio.NC
Network neuroscience and the connectomics revolution
连接组学和网络神经科学为建模和分析结构和功能相互作用的神经元、神经元群体和宏观脑区的网络提供了定量的科学框架。这种观点的转变和对分布式大脑功能的强调为大脑网络架构在认知,疾病,发育和衰老中所扮演的角色提供了基本的见解。在这一章中,我们回顾了人类连接组学在宏观尺度上的核心概念。从使用功能和扩散MRI数据构建网络,到随后使用网络神经科学方法进行分析,本文综述了关键发现,常用方法,并讨论了连接组学中的几个新兴前沿。
2020-10-04 q-bio.NC
Coupling continuous neural networks to the electromagnetic field in nervous tissue
我们提出了一个微观的方法耦合的皮质活动,由于适当的偶极子电流的锥体神经元,在细胞外液中的电磁场的扩散和欧姆传导的存在下。结果,神经活动变为由连续神经场方程表示,而电场电位的观测模型是从皮层偶极子电流与非电阻性细胞外空间中的电荷密度的相互作用获得的,如由能斯特-普朗克方程描述的。
2012-09-03 cond-mat.dis-nn q-bio.NC
A Quantitative Overview of Biophysical Forces Governing Neural Function
Hodgkin-Huxley(HH)模型是目前公认的神经元兴奋性的形式主义。然而,HH模型并不捕获与动作电位或传播神经冲动相关的许多生物物理行为。这些过程的物理机制,如可逆的热传递和轴突肿胀已被单独研究和分区建模,以表明神经系统不是纯粹的电或生化。相反,机械力和热力学原理也控制着神经元的兴奋性和信号传导。为了促进我们对神经功能和功能障碍的理解,需要重新评估对电、化学和机械过程的分区分析,并将其整合到更全面的理论中。目前的定量观点是为了扩大已知的生物物理现象,这是经常被忽视的神经科学的认识。通过开始考虑影响神经功能的生物物理力的集体影响,新的范例可以应用于神经系统的表征和操纵。
2013-09-25 physics.bio-ph q-bio.NC
Unifying equivalences across unsupervised learning, network science, and imaging/network neuroscience
本研究统一了无监督学习、网络科学与影像/网络神经科学中的多种分析等价关系,提出开源工具箱abct,以促进科学整合。
2025-08-12 q-bio.NC
Modeling of interstitial branching of axonal networks
单个轴突可以产生与多个突触靶点相连的分支。分支过程对于中枢神经系统的连接非常重要。在神经系统发育过程中,沿初级轴突轴的间质分支发生。生长的轴突在其运动中停顿,并在其末端后面留下活动点。新的分支从这些点出现。提出了描述和研究神经网络分支过程的数学模型。所考虑的模型描述了神经网络的生长,其中轴突导向分子的浓度管理轴突的生长。我们从轴突轴模拟间质分支。数值模拟表明,在模型框架中,轴突网络与神经网络具有相似性。
2013-02-24 q-bio.NC
Modeling the Nervous System as An Open Quantum System
提出了一种多神经元交互系统的神经网络模型,该模型模拟神经元通过神经元胞体周围环境进行交互。我们将神经元细胞周围的神经元细胞,包括树突、轴突和突触以及周围的神经胶质细胞,物理建模为神经元动作电位的电路环境中产生的各种振荡模式的集合。通过开放量子系统的主方程方法分析该神经模型的动力学,我们研究了神经元的集体行为。在对神经网络施加刺激后,神经元集体状态被激活并显示动作电位行为。我们发现,该模型能够产生随机的神经元-神经元相互作用,能够从物理上描述神经系统中的信息传递过程,为理解神经系统的动力学行为提供了一条潜在的途径。
2021-07-02 q-bio.NC quant-ph
Generative Models for Network Neuroscience: Prospects and Promise
网络神经科学是一门新兴的学科,研究神经系统中复杂的互连模式,并确定理解它们的原则。在这门学科中,一种特别强大的方法是网络生成建模,其中布线规则通过算法实现,以产生具有与经验网络数据中观察到的相同属性的合成网络架构。成功的模型可以突出网络的组织原则,并可能揭示其增长和发展的机制。在这里,我们回顾了网络神经科学的生成模型的前景和承诺。我们首先介绍网络生成模型,讨论可压缩性和可预测性,直观机制的实用性,以及它们在网络科学中广泛使用的简短历史。然后,我们讨论生成模型在实践和应用中,特别注意交叉验证的关键需求。接下来,我们回顾生物神经网络的生成模型,无论是在细胞和大规模的水平,并在各种物种,包括\emph{C. elegans},\emph{Drosophila},小鼠,大鼠,猫,猕猴和人类。我们提供了一些相关的区别,包括生成模型和空模型,充分性和冗余,推断和索赔机制,功能和结构连接之间的差异仔细处理。最后,我们讨论了未来的发展方向,概述了令人兴奋的前沿经验数据收集的努力,以及在方法和理论的发展,在一起,进一步的效用生成网络建模方法的网络神经科学。
2017-08-26 q-bio.NC
On the nature of explanations offered by network science: A perspective from and for practicing neuroscientists
网络神经科学将大脑描述为区域和区域间连接的集合。鉴于其形式化系统级模型的能力,网络神经科学已经产生了对神经功能和行为的独特解释。这些解释的机械论地位,以及它们如何能够对整个神经科学领域做出贡献和适应,已经得到了哲学家们的认真对待。然而,这些哲学贡献还没有达到许多神经科学家。在这里,我们通过提供来自神经科学家的应用视角来补充正式的哲学努力。我们讨论了网络神经科学所提供的解释的机械状态,以及它们如何有助于,增强和与神经科学中其他类型的解释相互交织。在这样做时,我们依赖于有关因果关系,规模和机制在科学解释中的作用的哲学工作。特别是,我们作出的解释和支持该解释的证据之间的区别,我们认为一个无标度的机械解释的性质。在这些讨论的过程中,我们希望提供一个有用的应用框架,在这个框架中,网络神经科学的解释可以跨尺度地进行,并与神经科学的其他领域相结合,以获得对大脑和行为的更深入的了解。
2019-11-12 q-bio.NC
Grounding Neuroscience in Behavioral Changes using Artificial Neural Networks
本文聚焦于通过人工神经网络模型,因果性地检验神经变化如何产生行为变化,并借鉴AI可解释性方法识别驱动行为的关键神经特征。
2023-11-13 q-bio.NC
Network neuroscience for optimizing brain-computer interfaces
人们越来越多地探索人机交互,以创造替代的通信方式并改善我们的日常生活。基于从用户的潜在神经活动对用户的意图进行分类,脑机接口(BCI)允许与外部环境直接交互,同时绕过肌肉骨骼系统的传统效应器。尽管脑机接口具有巨大的潜力,但仍然存在许多挑战限制了其社会影响,从正确解码人类思想到有效学习策略的应用。尽管有几个重要的工程进展,这些挑战背后的基础神经科学仍然很少探索。事实上,脑机接口涉及复杂的动态变化有关的神经可塑性在不同范围的时空尺度。网络科学是解决这种复杂性的一种有希望的方法,它提供了一种自然语言,可以用来模拟大脑结构和功能的组织原则,这些原则体现在其相互连接中。在这里,我们简要回顾了目前影响脑机接口的主要限制,我们提供了我们的观点,如何通过网络理论的方法来解决这些问题。我们认为,新兴的网络神经科学领域将被证明是解锁人机交互的有效工具。
2018-07-15 q-bio.NC
Neuroscience needs Network Science
本文探讨网络科学在大脑研究中的应用,强调通过跨学科合作开发新方法,以深入理解大脑的结构、功能与动力学。
2023-05-11 q-bio.NC
Mesoscopic organization reveals the constraints governing C. elegans nervous system
生物学中最大的挑战之一是了解神经元在细胞水平上的活动,作为它们相互作用的结果,如何导致生物体对各种环境刺激做出反应的观察行为。研究神经系统中的中间或中观层次的组织是理解微观层次动力学的整合如何导致宏观层次功能的重要一步。在本文中,我们考虑了线虫线虫的体神经系统,其中整个神经元连接图是已知的。我们专注于将系统组织成模块,即,与整个网络的连接密度相比,神经元组具有相对较高的连接密度。我们表明,这种介观特征不能完全用考虑因素来解释,例如优化资源约束(即,总布线成本)和通信效率(即,网络路径长度)。与其他为有效传输(信号或资源)而设计的复杂网络相比,神经网络形成了一个独特的类别。这表明网络的主要功能,即,导致适当的运动反应的感觉信息的处理可能在确定连接拓扑中起着至关重要的作用。本文利用模谱分析方法,阐明了神经系统中功能与结构的密切关系。通过纯粹基于模块内和模块间连接的模式来识别功能关键神经元,进一步证明了这一点。我们的研究揭示了神经系统的设计如何反映了几个限制,包括其作为信息处理器的关键功能角色。
2010-03-08 cond-mat.dis-nn physics.bio-ph q-bio.NC
Graph analysis of functional brain networks: practical issues in translational neuroscience
大脑可以被视为一个网络:一个连接的系统,其中节点或单元代表不同的专门区域,链接或连接代表通信路径。从功能的角度来看,沟通是由不同脑区活动之间的时间依赖性编码的。在过去的十年中,大脑作为一个图形的抽象表示已经允许可视化功能的大脑网络,并以紧凑和客观的方式描述其非平凡的拓扑特性。如今,在转化神经科学中使用图形分析已经成为量化功能性脑网络异常重构方面的脑功能障碍的关键。尽管功能性大脑网络的图形分析具有明显的影响力,但它并不是一个简单的工具箱,可以盲目地应用于大脑信号。一方面,它需要知道处理管道的所有方法步骤,这些步骤处理输入的大脑信号并提取功能网络属性。另一方面,需要了解所研究的神经现象以进行生理相关分析。这篇评论的目的是提供实际的迹象,使大脑网络分析的意义和对比适得其反的态度。
2014-06-28 q-bio.NC
Rethinking scale in network neuroscience: Contributions and opportunities at the nanoscale
本文提出网络神经科学应转向纳米尺度连接组学,利用单神经元和突触分辨率的电子显微镜数据获得机制可解释的回路分析,并展望多尺度整合的未来方向。
2025-08-22 q-bio.NC
Phase transition in the economically modeled growth of a cellular nervous system
空间嵌入的复杂网络,如神经系统,互联网和运输网络,通常具有非平凡的拓扑模式的连接与几乎最小的布线成本相结合。然而,形成这些经济的成本和拓扑结构之间的权衡的增长规则还没有很好地理解。本文研究了线虫C. elegans,以及关于神经元的出生时间和空间位置的信息。我们发现,这个网络的增长经历了一个过渡,从一个加速到一个不断增加的链接(突触连接)的数量作为节点(神经元)的数量的函数。这一相变的时间与观察到的孵化时刻密切吻合,此时发育从卵到幼虫阶段发生变质转变。我们使用图形分析和生成模型表明,不同的增长制度之间的过渡,以及它的巧合与孵化的时刻,可以解释一个动态的经济模型,其中包括拓扑结构和成本之间的权衡,不断谈判和重新谈判的发展时间。随着动物的身体逐渐变长,较长距离连接的成本越来越高。这个生长过程再生了成人神经系统组织的许多方面,包括解剖学上预定义的神经节的神经元成员。我们期望在其他生物或人造空间嵌入式复杂系统的开发中也能找到类似的经济原则。
2013-04-27 physics.bio-ph physics.soc-ph q-bio.NC
Biological detail and graph structure in network neuroscience
本文探讨了在网络神经科学中增加神经生理学细节并推广简单网络结构,以改善对大脑现象和功能理解的可能性与途径。
2025-07-21 physics.bio-ph q-bio.NC
25 years of criticality in neuroscience -- established results, open controversies, novel concepts
25年前,Dunkelmann和Radons(1994)提出神经网络应该自组织到临界状态。在模型中,临界性提供了许多计算优势。因此,这一假说,特别是Beggs和Plenz(2003)的实验工作,引发了大量的研究,成千上万的研究都提到了这一假说,尽管如此,实验结果仍然相互矛盾。一个假说吸引了几十年的积极研究,但仍然存在争议,这怎么可能呢?我们讨论了实验和概念上的争议,然后提出了一个简约的解决方案,(i)统一了矛盾的实验结果,(ii)避免了临界状态的缺点,(iii)使网络属性的快速,自适应调整任务的要求。
2019-03-12 q-bio.NC
Applications of Discrete Mathematics for Understanding Dynamics of Synapses and Networks in Neuroscience
数学建模在神经科学中有着广泛的应用,无论是对单个突触还是整个神经元网络的动态建模。在第一部分中,我们模拟囊泡的补充和释放在感光突触,以更好地了解视觉信息是如何处理的。在第二部分中,我们探索了一个简单的神经网络模型,目的是发现网络结构如何塑造网络的行为。要完全理解视觉信息是如何被处理的,就需要了解信号在感光神经元的带状突触中的转换方式。这些突触具有带状结构,能够储存大约100个突触囊泡,通过释放不同数量的囊泡来响应视觉输入,从而实现分级响应。这些反应主要取决于色带的能力,以补充自己作为色带网站空后释放。因此,囊泡补充的速率是在视网膜中形成神经编码的重要因素。在与实验神经科学家的合作中,我们开发了一个数学模型来描述带状突触中囊泡释放和补充的动力学。为了更多地了解网络架构如何塑造网络的动态,我们研究了一种特定类型的阈值线性网络,它是由一个简单的有向图构建的。网络结构保证了动态的差异仅仅是由底层图的连通性差异引起的。通过设计,这些网络的活动是有界的,没有稳定的不动点。计算实验表明,这些网络中的大多数产生极限环,其中神经元按顺序发射。我们设计了一种算法,使用底层图的结构来预测射击顺序。使用该算法,我们对所有这种类型的网络在五个或更少的节点上进行分类。
2017-02-21 q-bio.NC
Graph Neural Networks in Network Neuroscience
Istanbul Technical University(伊斯坦布尔理工大学);University of Dundee(邓迪大学);University of Sousse(苏塞大学)
非侵入性医学神经成像已经产生了许多关于大脑连接的发现。几个实质性的技术映射形态,结构和功能的大脑连接被开发出来,以创建一个全面的路线图的神经元活动在人类大脑-即脑图。依靠其非欧几里德数据类型,图神经网络(GNN)提供了一种学习深度图结构的巧妙方法,它正在迅速成为最先进的技术,从而提高了各种网络神经科学任务的性能。在这里,我们回顾了当前基于GNN的方法,强调了它们在与脑图相关的几个应用中的使用方式,例如缺失的脑图合成和疾病分类。最后,我们绘制了一条更好地应用GNN模型在网络神经科学领域的神经疾病诊断和人口图集成的路径。我们工作中引用的论文列表可在https://github.com/basiralab/GNNs-in-Network-Neuroscience上获得。
2022-09-28 cs.LG q-bio.NC
Biological Blueprints for Next Generation AI Systems
几十年来,神经科学的各种子领域丰富了人工智能。随着机器学习和人工神经网络的最新进展,许多神经科学家正在与人工智能研究人员和机器学习专家合作分析数据和构建模型。本文试图通过提供来自神经科学研究的见解如何帮助开发新的机器学习算法和人工神经网络架构的例子来证明这种合作的价值。我们调查了相关的神经科学必要的欣赏这些见解,然后描述我们如何能够将我们目前的理解相关的神经生物学到算法技术和架构设计。最后,我们描述了当前人工智能技术面临的一些主要挑战,并提出了克服这些挑战的途径,这些挑战借鉴了发展和比较认知神经科学的研究。
2019-12-01 q-bio.NC
Discrete Modeling of Multi-Transmitter Neural Networks with Neuron Competition
我们提出了一种新的离散模型的中央模式发生器(CPG),神经元合奏产生的节奏活动。该模型强调了非突触相互作用的作用和神经系统电特性的多样性。模型中的神经元将不同的神经递质释放到共享的细胞外空间(ECS)中,因此具有适当受体的每个神经元都可以接收来自其他神经元的信号。我们认为神经元,在他们的电活动不同,表示为有限状态机功能在离散的时间步长。离散建模的目的是提供一个计算上易于处理和紧凑的解释神经系统中的节奏模式的产生。该模型的重要特征是引入了神经元竞争机制,该机制被证明是负责产生适当的节奏。该模型说明了两个例子:一个半中心振荡器被认为是一个基本的机制,新兴的节奏活动和良好的研究喂养网络的池塘蜗牛。未来的研究将集中在CPG网络和整个神经系统中普遍存在的神经调节作用。
2017-05-08 cs.NE q-bio.NC
Mathematical frameworks for oscillatory network dynamics in neuroscience
弱耦合相位振荡器理论的工具对神经科学界产生了深远的影响,提供了对各种网络行为的深入了解,从中央模式生成到同步,以及预测新的网络状态,如嵌合体。然而,有许多情况下,当这个理论预计将打破,说在强耦合的存在下,或必须仔细解释,如在随机强迫的存在。吸引子的动力学复杂性也令人惊讶,例如异宿网络吸引子。在这篇综述中,我们提出了一套数学工具,适用于解决振荡神经网络的动力学,扩大从标准相位振荡器的角度来看,提供一个实用的框架,进一步成功的应用数学理解网络动力学在神经科学。
2015-06-18 nlin.AO q-bio.NC
Brain Network Architecture: Implications for Human Learning
人类学习是一个复杂的现象,需要在一系列的时间和空间尺度的适应过程。虽然在过去的几年里,我们对这些过程在单一尺度上的理解呈指数级增长,但对整个现象的机械理解仍然难以捉摸。我们认为,由于缺乏一个量化的框架,可以解释整个范围的神经生理和行为动力学系统中的尺度,也跨越不同类型的学习的进展一直受到阻碍。我们认为,网络神经科学为迎接这一挑战提供了希望。建立在复杂系统科学和图论的数学领域,网络神经科学包含了人类学习的互联性和层次性,为适应性的涌现特性提供了见解。在这篇综述中,我们讨论了网络神经科学作为一种工具,建立一个定量的框架,在其中研究人类的学习,试图解释整个链的事件在大脑中从感觉输入到运动输出,既生物学上合理的,并能够作出预测如何在一个单一的水平链的干预可能会导致改变在另一个水平的链。最后,我们列出了网络神经科学在明确桥接神经生理过程发生的空间尺度方面仍然存在的重要挑战,并强调了这种定量框架在教育和治疗中的实用性。
2016-09-07 q-bio.NC
Multilayer Brain Networks
神经科学领域正面临着前所未有的可用数据的数量和多样性。传统上,网络模型提供了对大脑结构和功能的关键见解。随着神经科学中大数据的出现,需要能够表征数据日益复杂性的更复杂的模型和新的定量分析方法。近年来,多层网络作为传统网络的数学扩展,由于其能够捕获多模型,多尺度,时空数据集的全部信息,在神经科学中越来越受欢迎。在这里,我们回顾了多层网络及其在神经科学中的应用,展示了如何将多层框架纳入网络神经科学分析,揭示了大脑网络以前隐藏的功能。我们特别强调使用多层网络来建模疾病,结构-功能关系,网络进化和链接多尺度数据。最后,我们结束了讨论有前途的新方向的多层网络神经科学的研究,并提出了一个修改后的多层网络的定义,旨在统一和澄清使用的多层形式主义在描述现实世界的系统。
2017-09-07 physics.soc-ph q-bio.NC
Interpretability of artificial neural network models in artificial Intelligence vs. neuroscience
本文区分 AI 与神经科学对 ANN 可解释性的不同定义,主张二者可并行独立推进,并指出特征可视化和归因技术需结合大脑对应才具神经科学意义。
2022-06-07 q-bio.NC
Generative modeling of the enteric nervous system employing point pattern analysis and graph construction
Purdue University(普渡大学);The Children’s Hospital of Philadelphia(费城儿童医院);University of Pennsylvania(宾夕法尼亚大学);University of Toledo(托莱多大学)
我们描述了一个生成网络模型的架构的肠神经系统(ENS)在结肠采用的数据从图像中获得的人类和小鼠的组织样本通过共聚焦显微镜。我们的模型结合了空间点模式分析与图形生成来表征神经节(神经元和神经胶质细胞簇)的空间和拓扑特性,神经节间的连接,以及神经节内的神经元组织。我们采用混合硬核-施特劳斯过程的空间模式和平面随机图生成构建空间嵌入式网络。我们表明,我们的生成模型可能是有帮助的基础和翻译的研究,它是足够的表现力来模拟ENS架构的个人谁在年龄和健康状况不同。增加对ENS连接体的了解将使神经调节策略能够用于治疗,并阐明肠动力障碍患者的解剖诊断标准。
2022-10-26 cs.CV q-bio.NC q-bio.QM
Generalizable Machine Learning in Neuroscience using Graph Neural Networks
University of California San Diego(加利福尼亚大学圣地亚哥分校);Center for Engineered Natural Intelligence(工程化自然智能中心)
尽管许多研究已经在神经科学中探索了深度学习,但将这些算法应用于微观尺度上的神经系统,即与较低尺度的组织相关的参数,仍然相对新颖。受全脑成像技术进步的启发,我们使用线虫C的钙成像数据,研究了深度学习模型在微观神经动力学和由此产生的涌现行为上的表现。优雅我们发现,神经网络在神经元级动力学预测和行为状态分类方面都表现得非常好。此外,我们比较了结构不可知神经网络和图神经网络的性能,以研究图结构是否可以作为一个有利的归纳偏差。为了进行这个实验,我们设计了一个图神经网络,它从神经活动中显式地推断神经元之间的关系,并在计算过程中利用推断出的图结构。在我们的实验中,我们发现图神经网络通常优于结构不可知模型,并且在不可见生物体的泛化方面表现出色,这意味着神经科学中可推广的机器学习的潜在途径。
2020-10-16 cs.LG q-bio.NC
Self-regulated emergence of heavy-tailed weight distributions in evolving complex network architectures
KU Leuven(荷语鲁汶大学);Center for Cognitive Science, University of Kaiserslautern-Landau(凯泽斯劳滕-兰道大学认知科学中心);NICE Research Group, Computer Science Research Centre, University of Surrey(萨里大学计算机研究中心NICE研究组);Institute of Optics, Spanish National Research Council (CSIC)(西班牙国家研究理事会光学研究所);Université Paris-Saclay, CNRS, CentraleSupélec, Laboratoire des Signaux et Systèmes(巴黎萨克雷大学、法国国家科学研究中心、中央苏佩莱克学院信号与系统实验室)
该研究提出一个模型,结合突触和结构可塑性,揭示了重尾权重分布和收敛-发散电路的形成机制。
2026-09-04 q-bio.NC
Understanding Decision-Making Across the Lifespan Needs Theoretical Neuroscience
Department of Neurobiology, David Geffen School of Medicine, University of California, Los Angeles(加州大学洛杉矶分校大卫格芬医学院神经生物学系)
本文提出通过整合理论神经科学与衰老研究,利用新兴方法论揭示生命周期内决策过程的机制性解释。
2026-03-02 q-bio.NC
Towards an integration of deep learning and neuroscience
神经科学专注于计算的详细实现,研究神经代码,动力学和电路。然而,在机器学习中,人工神经网络倾向于避开精确设计的代码、动力学或电路,而倾向于对成本函数进行蛮力优化,通常使用简单且相对统一的初始架构。机器学习领域最近出现了两个新的发展,为连接这些看似不同的观点创造了机会。首先,使用结构化架构,包括用于注意力、递归和各种形式的短期和长期记忆存储的专用系统。第二,成本函数和培训程序变得更加复杂,而且在不同层次和不同时期都有所不同。这里我们从这些观点来思考大脑。我们假设:(1)大脑优化成本函数,(2)这些成本函数是多样的,并且在大脑位置和发育过程中有所不同,(3)优化在与行为所带来的计算问题相匹配的预结构化架构中运行。这种异质优化的系统,由一系列相互作用的成本函数实现,有助于使学习数据高效,并精确地针对生物体的需求。我们提出了神经科学可以寻求改进和测试这些假设的方向。
2016-06-13 q-bio.NC
Symmetries and synchronization from whole-neural activity in {\it C. elegans} connectome: Integration of functional and structural networks
本文提出一种结合连接组与神经活动数据推断网络纤维化对称性的方法,并在秀丽隐杆线虫运动系统中验证其可解释神经元同步,揭示运动外周的功能构建模块,为研究结构-功能关系提供新途径。
2024-09-04 physics.app-ph q-bio.NC
Efficient coding with chaotic neural networks: A journey from neuroscience to physics and back
本文以高效编码和皮层计算为线索,综述随机神经网络混沌、混沌涨落部分抑制等研究,阐明理论神经科学与非平衡统计物理的相互推动及未来交叉挑战。
2024-08-04 nlin.CD q-bio.NC
K-Winners-Take-All Computation with Neural Oscillators
受中枢神经系统中计算模型的启发,基于人工尖峰的计算可能比用于特定类型的大规模问题的传统方法具有显著的性能优势。本文描述了非常简单的网络结构,用于使用神经振荡器的k-赢家通吃和软赢家通吃计算。从任意初始条件实现快速收敛,这使得网络特别适合于跟踪时变输入。
2003-12-31 q-bio.NC
Reverse engineering neural networks from many partial recordings
许多神经科学的目标是对大脑进行逆向工程,但我们一次只能记录少量的神经元。我们目前还不知道大脑的逆向工程是否需要我们同时记录大多数神经元,或者从较小的子集中进行多个记录是否足够。这一点变得更加重要,因为新技术的发展允许从选定的神经元子集进行记录,例如使用光学技术。为了解决这个问题,我们分析了一个在MNIST数据集上训练的神经网络,只使用部分记录,并描述了我们的逆向工程质量对同时记录的“神经元”数量的依赖性。我们发现,逆向工程的非线性神经网络是有意义的可能,如果一个足够大的数量的神经元被同时记录,但这个数字可以大大小于神经元的数量。此外,从小的随机神经元子集中多次记录会产生令人惊讶的良好性能。在神经科学中的应用表明,为了近似实际神经系统的I/O功能,我们需要记录更多的神经元。我们在这里进行的缩放分析可以,也可以说应该用来校准可以大幅扩大神经科学中记录数据集大小的方法。
2019-07-02 q-bio.NC
Adaptive compressed sensing - a new class of self-organizing coding models for neuroscience
稀疏编码网络利用无监督学习来最大化编码效率,已经成功地再现了初级视觉皮层\cite{AN:OlshausenField96}中发现的响应特性。然而,传统的稀疏编码模型要求编码电路能够以一对一的方式对感觉数据进行完全采样,这一要求不被来自丘脑-皮层投影的实验数据所支持。为了减轻这些严格的布线要求,我们提出了一个稀疏编码网络,通过引入压缩感知的框架中的突触学习。我们证明,新的模型进化生物现实的空间平滑的感受野,尽管事实上,前馈连接subsamples输入,从而学习依赖于贫困和扭曲的帐户的原始视觉数据。此外,我们证明,该模型可以形成一个一般的计划皮质通信:它可以形成有意义的表示在一个次要的感觉区,它接收输入从主要的感觉区通过“压缩”皮质-皮质投影。最后,我们证明了我们的模型属于一类新的稀疏编码算法,其中经常性的连接是必不可少的形成空间感受野。
2011-05-24 q-bio.NC
If deep learning is the answer, then what is the question?
神经科学研究正在经历一场小小的革命。机器学习和人工智能(AI)研究的最新进展为神经计算开辟了新的思路。许多研究人员对深层神经网络可能为生物大脑提供感知、认知和行动理论的可能性感到兴奋。这种观点有可能从根本上重塑我们理解神经系统的方法,因为深度网络执行的计算是从经验中学习的,而不是由研究人员赋予的。如果是这样,神经科学家如何使用深度网络来建模和理解生物大脑?对于那些试图解释计算或神经编码,或者希望理解感知、注意力、记忆和执行功能的神经科学家来说,前景如何?在这个视角中,我们的目标是为深度学习时代的系统神经科学研究提供路线图。我们讨论的概念和方法的挑战,比较行为,学习动力学和神经表示在人工和生物系统。我们强调了神经科学作为机器学习最新进展的直接结果而出现的新研究问题。
2020-04-17 q-bio.NC
The brain as a blueprint: a survey of brain-inspired approaches to learning in artificial intelligence
Groningen Institute for Evolutionary Life Sciences, University of Groningen(格罗宁根进化生命科学研究所,格罗宁根大学)
本文综述了深度学习借鉴神经科学原理的成功实践与局限,并探讨了基于生物突触更新机制改进误差计算与传播的未来方向。
2025-11-06 q-bio.NC
Testing the Tools of Systems Neuroscience on Artificial Neural Networks
神经科学家将一系列常见的分析工具应用于记录的神经活动,以便深入了解神经回路如何执行计算。尽管这些工具塑造了整个领域的进步,但我们几乎没有经验证据表明它们能有效地快速识别感兴趣的现象。在这里,我认为这些工具应该明确测试,人工神经网络(ANN)是一个适当的测试他们的理由。最近,人工神经网络作为从感知到记忆再到运动控制的一切模型的复兴源于人工神经网络和生物神经网络之间的大致相似性,以及训练这些网络执行复杂高维任务的能力。这些特性,再加上完美观察和操纵这些系统的能力,使它们非常适合用于审查系统和认知神经科学的工具。我在这里提供了执行此测试的路线图和适合在ANN上测试的工具列表。使用人工神经网络来反思这些工具在多大程度上提供了对神经系统的有效理解-以及理解在这里应该意味着什么-有可能加快大脑研究的进展。
2022-02-14 cs.NE q-bio.NC
Matter & Mind Matter
经过一亿年的进化,现存的动物已经非常好地适应了它们的生态位。这种适应意味着物种特异性的相互作用与他们的直接环境,通过处理感官线索和适当的行为作出反应。了解生物如何执行模式识别和认知任务对计算架构特别重要:通过研究这些经过进化过程改进的信息路径,研究人员可以简化开发更先进、节能的自主系统的过程。随着新的电子和离子成分的出现,以及对生物物种中信息通路的更深入了解,开发全新信息处理途径的机会越来越多。在这里,我们描述了神经系统中的基本信息通路,从局部神经元水平到整个神经系统网络。本地学习规则的双重重要性,从尖峰时间依赖可塑性在神经元水平的交织的形态和动力学机制的全球网络。基本的生物学原则突出,包括遗传,个体发育和稳态,特别强调网络拓扑结构和动态。虽然在机器学习系统中,训练是在没有任何先验知识的情况下在原始网络上进行的,但这里提出的方法通过采用增长机制作为设计新型计算架构的指导方针来明确区分自己。包括探索神经系统时空基础的基本生物信息通路,对于开发全新的信息处理系统具有尚未开发的潜力。最后,神经形态系统的基准建议。
2022-04-27 cond-mat.dis-nn q-bio.NC
Emergence of scale-free properties in Hebbian networks
神经系统的基本“可塑性”(即在不同结构水平上的高适应性)主要基于赫布学习机制,该机制修改了突触连接。这些修改依赖于神经活动,并为神经网络分配特殊的动态行为。神经系统的另一个显著特征是基于尖峰的信息传输,它被认为对噪声是鲁棒的,但它本身是有噪声的:单个神经元的尖峰的方差惊人地大,这可能会破坏赫布机制的充分功能。在本文中,我们专注于网络中的赫布式适应只引起外部随机噪声和研究尖峰时间依赖的突触可塑性。我们表明,这样的“HebbNets”能够开发出广泛的网络结构,包括无标度的小世界网络。这种网络结构的发展可能提供了一个解释的作用,噪音和它的相互作用与赫布可塑性。我们还认为,这个模型可以被看作是著名的Watts-Strogatz和小世界网的偏好连接模型的统一。
2003-08-11 nlin.AO q-bio.NC
Neuroscience-inspired online unsupervised learning algorithms
尽管目前流行的深度学习网络在某些任务上实现了前所未有的性能,但人类大脑仍然垄断了一般智能。基于这一点和深度学习网络的生物学不可信性,我们开发了一系列用于无监督学习的生物学上合理的人工神经网络(NN)。我们的方法是基于优化原则的目标函数,包含一个术语,匹配成对的相似性输出的输入,因此名称相似性为基础。这种基于相似性的目标函数的基于一致性的在线优化可以通过具有生物学上合理的局部学习规则的NN来实现。基于相似性的成本函数和相关的NN解决了无监督学习任务,如线性降维,稀疏和/或非负特征提取,盲非负源分离,聚类和流形学习。
2019-09-06 cs.NE q-bio.NC
Fast Computation with Neural Oscillators
受中枢神经系统中的计算模型的启发,基于人工尖峰的计算可能比用于特定类型的大规模问题的传统方法具有显著的性能优势。在本文中,我们研究了两个常见的情况下,这样的计算,赢家通吃和重合检测的新模型。在这两种情况下,实现了非常快速的收敛,与初始条件无关,并且网络复杂度与输入数量呈线性关系。
2003-12-17 q-bio.NC
Mus siliconus: A Neuro-Musculoskeletal Digital Twin of the Mouse Integrating Neural Dynamics, Biomechanics, and Tactile Sensing
RIKEN(理化学研究所);Waseda University(早稻田大学)
本研究构建整合多模态解剖重建、生物力学模拟等的小鼠神经肌肉骨骼数字孪生模型,形成闭合感觉运动环路,有望推动生物智能研究及新型自适应生物医学、机器人系统开发。
2026-09-03 q-bio.NC q-bio.TO
Can Ephapticity Contributes to the Brain Complexity?
本研究通过QIF-E模型对比分析发现,ephaptic耦合在特定拓扑条件下能显著增强大脑网络复杂性,为神经系统通信动力学提供了新见解。
2024-04-25 physics.bio-ph q-bio.NC
Explanatory models in neuroscience: Part 2 -- constraint-based intelligibility
计算建模在神经科学中扮演着越来越重要的角色,突出了计算模型如何解释的哲学问题。在神经科学的神经网络模型的背景下,人们对模型的可理解性以及它们与大脑中发现的内容的关系(如果有的话)表示担忧。我们认为,使一个系统变得可理解的,是对它的行为和对该行为负有因果责任的因素之间的依赖关系的理解。在生物系统中,许多这些依赖性自然是“自上而下”的:行为学的必要性与自然选择下的进化和发展约束相互作用。我们描述了用于构建NN模型的优化技术如何捕获这些依赖关系的一些关键方面,从而帮助解释为什么大脑系统是这样的-因为当NN和大脑共享一个具有挑战性的生态相关目标时,它会对两种系统中表现出的可能机制施加严格的约束。通过结合两种常见的解释模式--一种基于自下而上的机制(我们在一篇配套论文中讨论了它与神经网络模型的关系),另一种基于自上而下的约束,这些模型阐明了大脑功能。
2021-04-14 cs.NE q-bio.NC
From deep learning to mechanistic understanding in neuroscience: the structure of retinal prediction
NTT Research, Inc.(NTT研究公司);Stanford University(斯坦福大学);Google, Inc.(谷歌公司)
最近,深度前馈神经网络在模拟生物感觉处理方面取得了相当大的成功,在再现感觉神经元的输入-输出图方面。然而,这些模型对神经科学中解释的本质提出了深刻的问题。我们是否只是简单地用一个复杂系统(生物回路)替换另一个复杂系统(深层网络),而不理解其中任何一个?此外,除了神经表征之外,深度网络产生神经反应的计算机制是否与大脑中的相同?如果没有系统的方法来从深度神经网络模型中提取和理解计算机制,就很难评估深度学习方法在神经科学中的实用程度,也很难从深度网络中提取实验可检验的假设。我们开发了这样一个系统的方法相结合的降维和现代属性的方法来确定特定的视觉计算的相对重要性的interneurons。我们将这种方法应用于视网膜的深度网络模型,揭示了对视网膜如何作为预测特征提取器的概念性理解,该预测特征提取器发出与对不同时空刺激的预期偏差的信号。对于每个刺激,我们提取的计算机制与以前的科学文献是一致的,并在一种情况下产生一个新的机制假说。因此,总的来说,这项工作不仅深入了解了视网膜惊人的预测能力背后的计算机制,而且还将深度网络的框架作为神经科学模型置于更坚实的理论基础之上,提供了一个新的路线图,超越了比较神经表征,以提取和理解计算机制。
2019-12-12 cs.LG physics.bio-ph q-bio.NC
A brain basis of dynamical intelligence for AI and computational neuroscience
Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院)
现代人工智能(AI)的深度神经网络还没有达到生物智能的定义特征,包括抽象、因果学习和能效。虽然扩展到更大的模型已经为当前的应用程序提供了性能改进,但更多类似大脑的能力可能需要新的理论,模型和方法来设计人工学习系统。在这里,我们认为,这个重新评估大脑洞察力的机会应该刺激人工智能研究和理论驱动的计算神经科学(CN)之间的合作。为了激励神经计算的大脑基础,我们提出了一个动态的智能观,我们阐述了网络结构,时间动态和交互式学习的稀疏性概念。特别是,我们认为,时间动态,通过神经同步,嵌套振荡和灵活的序列表示,提供了一个丰富的计算层阅读和更新分层模型分布在长期记忆网络。此外,在AI和CN中采用以代理为中心的范式将加速我们对构建有用世界模型的复杂动态和行为的理解。AI/CN理论和目标的融合将揭示大脑和工程学习系统智能的动态原理。这篇文章的灵感来自我们在第六届美国/NIH大脑倡议研究者年会上关于动态神经科学和机器学习的研讨会。
2021-05-21 cs.AI q-bio.NC
Multilayer Networks in Neuroimaging
本文探讨了多层网络在神经影像学中的应用,通过构建大脑生成模型,揭示跨多尺度与多模态的复杂时空交互,为破译脑结构功能关系及建模疾病提供新见解。
2025-01-31 q-bio.NC q-bio.QM
DevoTG: Temporal Graph Neural Networks for Modeling C. elegans Developmental Connectomics
IIIT Hyderabad(海得拉巴国际信息技术学院);OpenWorm Foundation(OpenWorm基金会);Orthogonal Research and Education Laboratory(正交研究与教育实验室)
提出DevoTG框架,利用时间图神经网络(TGN)对线虫神经发育的细胞谱系和突触连接组进行建模,在谱系预测任务中AUC达0.839,优于静态GNN 26个点,并识别出三类连接稳定性。
2026-06-23 cs.LG q-bio.NC
Explanatory models in neuroscience: Part 1 -- taking mechanistic abstraction seriously
尽管最近神经网络模型在模拟动物在视觉感知任务上的表现方面取得了成功,但批评人士担心这些模型未能阐明大脑功能。我们认为,系统神经科学中解释的一个核心方法是机械建模,在这种方法中,理解系统需要充实系统的组成部分、组织和活动,以及它们如何引起感兴趣的行为。然而,对于模型描述机制的意义,以及神经网络模型是否具有解释性,仍然存在一些争议。我们认为,某些类型的神经网络模型实际上是很好的例子,机械模型,当正确的概念,机械映射部署。基于现有的工作模型到机制映射(3M),我们描述了这样一个概念,我们称之为3M ++的标准。这些标准要求我们首先确定一个既抽象又详细到足以"运行"的描述级别,然后使用与个体之间脑-脑映射相同的原则来构建模型-脑映射。也许令人惊讶的是,所需要的抽象是那些已经在实验神经科学中使用的,并且是在构建更熟悉的计算模型时使用的那种,就像脑间映射的原理非常符合那些已经用于收集和分析动物数据的原理一样。在配套文件中,我们解决优化和可理解性之间的关系,在功能进化的解释。总而言之,对计算模型的机械解释以及优化过程所阐明的形式和功能之间的依赖关系可以帮助我们理解为什么大脑系统是以它们的方式构建的。
2021-04-10 cs.NE q-bio.NC
Deep Learning for Cognitive Neuroscience
Justus-Liebig University Giessen(吉森尤斯利比希大学);Columbia University(哥伦比亚大学)
神经网络模型现在可以识别图像,理解文本,翻译语言,并在人类或超人水平上玩许多人类游戏。这些系统是高度抽象的,但受到生物大脑的启发,只使用生物学上合理的计算。在未来几年,神经网络可能会变得不那么依赖于从大量标记数据集中学习,并且在任务性能方面更加强大和通用。从他们的成功和失败中,我们可以了解大脑擅长的不同任务的计算要求。深度学习还提供了测试认知理论的工具。为了测试一个理论,我们需要大规模地实现所提出的信息处理系统,以便能够评估其可行性和涌现行为。深度学习使我们能够从原理和电路模型扩展到能够执行复杂任务的端到端可训练模型。认知神经科学家可以在许多层面上使用深度学习,从启发性的理论到作为完整的计算模型。深度学习的不断进步使我们更接近于理解认知和感知如何在大脑中实现-这是认知神经科学核心的重大挑战。
2019-03-04 cs.LG q-bio.NC