关键词：神经动力学，伊辛模型，自适应神经网络，同步，神经元雪崩和振荡，临界性
论文标题： Statistical modeling of adaptive neural networks explains co-existence of avalanches and oscillations in resting human brain 论文来源：Nature Computational Science 论文链接：https://www.nature.com/articles/s43588-023-00410-9 “宇宙的核心存在一种稳定的、持续的搏动：同步的循环之声。他遍及自然界的每个尺度，小到原子核，大到宇宙。” ——《同步：秩序如何从混沌中涌现》斯蒂芬·斯托加茨 大脑中的神经元连接成适应性网络 （adaptive networks） ，大量神经元的同步 （synchronization） 引起了大规模集体行为，如振荡 （oscillations） 和神经元雪崩 （neuronal avalanches） 。振荡是具有确定时间尺度 （scale-specific） 的神经活动的范例同步模式。而神经元雪崩是无标度 （scale-free，即缺乏特征时间或空间尺度） 的神经活动级联，通常被认为是大脑调整到临界状态的证据。 因为它们太复杂而无法分析、难以从数据中推断，所以现有模型只能分别解释振荡和雪崩现象。一方面，受统计物理学启发的简单模型无法定量再现神经元雪崩之外的大脑现象学的复杂性，特别是振荡。另一方面，设计用于捕获特定脑振荡的半现实但复杂的模型无法解决脑临界性，无法再现神经元雪崩。 最新发表在 Nature Computational Science 的这篇文章提出了一种反馈驱动的类伊辛 （Ising-like class） 神经网络，能够同时定量地捕捉雪崩和震荡。 他们还能在简单但完全微观的模型中分析计算相图，并通过对模型的两个基本参数进行易处理的推断 （tractable inference） ，直接联系人脑静息状态活动记录。该模型能捕获的尺度很广：从单个传感器的振荡，到集体行为的极端事件和神经元雪崩。他们推断出的参数表明：振荡和雪崩动力学的共存发生在自维持振荡 （self-sustained oscillations） 开始时的非平衡临界点附近。 图1. 自适应伊辛模型在临界点附近振荡和无标度活动漂移的共存。 图2. 对应MEG静息态活动的人脑和一个轻微的亚临界自适应伊辛模型。 图3. 用边缘亚临界自适应伊辛模型再现脑磁图静息态活动中的无标度神经元雪崩。
编译｜朱欣怡
详情请见：
500+神经动力学社区成员，邀你共同点亮更多脑科学研究的岛屿
推荐阅读