Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-4791
Main Title: The collective dynamics of adaptive neurons
Subtitle: Insights from single cell and network models
Translated Title: Die kollektive Dynamik adaptiver Neurone
Translated Subtitle: Erkenntnisse durch Modellierung einzelner Zellen und Netzwerke
Author(s): Ladenbauer, Josef
Advisor(s): Obermayer, Klaus
Referee(s): Jirsa, Viktor
Ostojic, Srdjan
Granting Institution: Technische Universität Berlin, Fakultät IV - Elektrotechnik und Informatik
Type: Doctoral Thesis
Language: English
Language Code: en
Abstract: Kognitive Verarbeitungsprozesse stehen mit neuronaler Aktivierung im Gehirn in engem Zusammenhang, und bestimmte kognitive Aufgaben werden häufig mit spezifischen Aktivitätsmustern von einzelnen Neuronen und neuronalen Netzwerken assoziiert. Die zeitlichen Beziehungen zwischen aufeinanderfolgenden neuronalen elektrischen Pulsen (Spikes) und insbesondere die konzertierte Spike-Aktivität von kleinen sowie großen Populationen gekoppelter Neurone sind dabei von großer Bedeutung. Oszillatorische Gesamtdynamik von neuronalen Populationen aufgrund von Synchronisation spielt hier eine wesentliche Rolle. Aus diesem Grund ist es wichtig die Mechanismen zu verstehen, welche der Spike-Aktivität einzelner Neurone und deren kollektiven Dynamik in Netzwerken zugrunde liegen und diese kontrollieren. Ein bedeutender Mechanismus, der die neuronale Erregbarkeit verändert, beruht auf sogenannten Adaptationsströmen durch bestimmte Arten von Kaliumkanälen in der Neuronenmembran. Diese Ströme verursachen das Phänomen der Spikeraten-Adaptation in vielen Neuronenarten und werden von Neuromodulatoren wie Acetylcholin reguliert. In der vorliegenden Arbeit nutzen wir Computermodelle und mathematische Methoden, um die Rolle dieses Mechanismus für die Kontrolle neuronaler Dynamik auf unterschiedlichen räumlichen Ebenen – von einzelnen Neuronen bis zu großen Netzwerken – näher zu untersuchen. Konkret charakterisieren wir, wie verschiedene Arten von Adaptationsströme (i) Spikeraten, Interspike-Intervall Variabilität und Phasenantwort Eigenschaften einzelner Neurone verändern, (ii) Spike-Synchronisation sowie Phasen-Locking in kleinen Netzwerken und (iii) die Dynamik der Spikeraten über große Populationen gekoppelter Neurone beeinflussen. Wir nutzen einen Bottom-Up-Ansatz, basierend auf einem experimentell validierten Neuronenmodell vom Integrate-and-Fire Typ, welches Spikes, die schnelle unterschwellige Membranspannungs-Dynamik und langsame Adaptationsstrom-Dynamik effektiv beschreibt. Wir verwenden dieses Modell auf den drei räumlichen Ebenen, wodurch Zusammenhänge zwischen den jeweiligen Ergebnissen hergestellt werden können. Um robuste Ergebnisse auf effiziente Weise zu bekommen erweitern wir geeignete Methoden aus der statistischen Physik und nichtlinearen Dynamik – einschließlich Mean-Field-, Phasenreduktions- und Master-Stability-Function-Verfahren – für diese Modellklasse, und ergänzen die gewählten Methoden durch (stochastische) numerische Simulationen. Dieser Ansatz erlaubt es, die Beziehungen zwischen mikroskopischen Wechselwirkungen (Neuronale Biophysik) und makroskopischen Merkmalen (Netzwerk-Dynamik) auf direktem Weg zu untersuchen, und vereinfacht es, die unterschiedlichen Skalen zu überbrücken. Durch Anwendung dieser Methoden zeigen wir, dass auf der Ebene einzelner Zellen Adaptationsströme den Schwellwert, die Verstärkung und Variabilität des Spikeverhaltens, sowie die neuronalen Phasenantworten auf transiente Inputs in typabhängiger Weise verändern. Auf Netzwerkebene sind Adaptationsströme maßgeblich an Mechanismen beteiligt, welche niederfrequente Oszillationen für vorwiegend exzitatorische synaptische Interaktion generieren. Dies geschieht durch Stabilisierung von Spike-Synchronisation (kleine Netzwerke) und Förderung sogenannter spärlicher Synchronisation (große Netzwerke). Weiters können sie schnellere Rhythmen, die stark auf synaptischer Inhibition beruhen, erleichtern und modulieren. Hierbei zeigen wir, dass neuromodulatorische Regulierung von Adaptationsströmen es ermöglicht – durch spezifische Änderungen neuronalen Spikeverhaltens – biologisch relevante synchronisierte und asynchrone Netzwerkzustände zu stabilisieren und zwischen ihnen zu wechseln. Diese Arbeit demonstriert den Nutzen vereinheitlichter mathematischer Bottom-Up-Modellierung und -Analysen um zum Verständnis neuronaler Dynamik auf verschiedenen Skalen beizutragen.
Cognitive processing is linked to the activation of neurons in the brain, and specific cognitive tasks are often correlated with certain activity patterns of individual neurons and neuronal networks. Of major relevance are the temporal relationships between successive neuronal spikes and, in particular, the concerted spiking activity across small groups and large populations of coupled neurons, which often exhibit oscillatory overall dynamics due to synchronization. It is therefore important to understand the mechanisms which underlie and control the spiking activity of individual neurons and their collective dynamics in networks. A prominent mechanism which alters neuronal excitability involves adaptation currents through specific types of potassium channels in the neuronal membrane. These currents cause spike rate adaptation in many types of neurons and are regulated by neuromodulators such as acetylcholine. In this thesis, we employ computational models and mathematical methods to shed light on the role of that mechanism in controlling neuronal dynamics at different spatial levels, ranging from single neurons to large networks. Specifically, we characterize how distinct types of adaptation currents affect (i) spike rates, interspike interval variability and phase response properties of single neurons, (ii) spike synchronization and spike-to-spike locking in small networks, and (iii) the dynamics of spike rates across large populations of coupled neurons. We take a bottom-up approach based on an experimentally validated neuron model of the integrate-and-fire type, effectively covering spikes, the fast subthreshold membrane voltage and slow adaptation current dynamics. We use this model across the three spatial levels, which facilitates to relate the respective findings. To obtain robust results in an efficient way we extend different suitable methods from statistical physics and nonlinear dynamics – including mean-field, phase reduction and master stability function techniques – for that model class, and complement them by (stochastic) numerical simulations. This approach allows to examine the relationships between microscopic interactions (neuron biophysics) and macroscopic features (network dynamics) in a direct way and simplifies bridging scales. Applying these tools we demonstrate that at the level of single cells adaptation currents change threshold, gain and variability of spiking, as well as the neuronal phase responses to transient inputs, in type-dependent ways. At the network level adaptation currents engage in mechanisms that generate low-frequency oscillations for excitation dominated synaptic interaction, stabilizing spike synchrony (small networks) or promoting sparse synchronization (large networks), and they can facilitate and modulate faster rhythms which heavily rely on synaptic inhibition. Thereby, we show that neuromodulatory regulation of adaptation currents allows to stabilize biologically relevant synchronized and asynchronous network states and switch between them, by changing the neuronal spiking characteristics in particular ways. This work demonstrates the benefits of unified mathematical bottom-up modeling and analyses in contributing to our understanding of neuronal dynamics across different scales.
URI: urn:nbn:de:kobv:83-opus4-73450
http://depositonce.tu-berlin.de/handle/11303/5088
http://dx.doi.org/10.14279/depositonce-4791
Exam Date: 12-Oct-2015
Issue Date: 30-Oct-2015
Date Available: 30-Oct-2015
DDC Class: 003 Systeme
500 Naturwissenschaften und Mathematik
Subject(s): Adaptives integrate-and-fire Modell
Fokker-Planck Gleichung
Interspike-Intervall Variabilität
Mean-Field Methode
Modellreduktion
Neuronale Netzwerke
Phasenreduktion
Spikeraten-Adaptation
Stochastische Prozesse
Synchronisation
Adaptive integrate-and-fire model
Fokker-Planck equation
Mean-field method
Model reduction
Neuronal networks
Phase reduction
Spike rate adaptation
Spiking variability
Stochastic process
Synchronization
Creative Commons License: https://creativecommons.org/licenses/by/3.0/de/
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 4 Elektrotechnik und Informatik » Institut für Softwaretechnik und Theoretische Informatik » Publications

Files in This Item:
File Description SizeFormat 
ladenbauer_josef.pdf11.16 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.