[CN 스터디] Ch2: Modeling Neural Circuits Made Simple with Python

카테고리 없음

[CN 스터디] Ch2: Modeling Neural Circuits Made Simple with Python

오리좋아 2025. 2. 3. 01:21

1.3 Modeling Synapses

Ionotropic synapes

current-based synapse model - currents are generated directly from presynaptic spike times
conductance based synapse model - appendix B.3 더 detailed

Dale's Law: presynaptic neuron는 post synaptic neuron과 같은 타입의 synapse를 가진다.
excitatory and inhibitory
80% excitatory neuron - 대부분 pyramidal neurons
20% inhibitory neuron - interneurons

I: 전류값

J: 시냅스 가중치 excite > 0, inhibit < 0

alpha: PSC waveforms

s: presynaptic spike time

alpha의 조건

1) a(t): PSC의 시간적 형태를 나타냄

2) t<0 일 때 alpha = 0

3) 적분 값이 1 => 정규화를 위해

다음과 같은 PSC 파형 모델 식을 세우게 된다. - Exponential Synapse Model 임.

Simulate를 위해 Dirac delta function으로 표현함.

*Dirac delta function이란?

특정 점에서 무한히 큰 값을 가지며 전체 넓이가 1이 되도록 정의된 분포로, 함수의 특정 값을 추출하거나 물리적 특이점을 모델링하는 데 사용.

수식 1.7을 간단히 한 식.

S: spike density

Spike density란, Spike라는 이벤트를 기록한 Spike Train에서 델타함수를 적용하여 연속적인 시간 함수로 변환한 것.

Spike Train: 뉴런이 발화한 시간들의 나열. - 이산적임.

이런 식으로 spike이 일어난 시간으로 이루어진 dirac 델타 함수를 적용할 수 있다.

연속적인 시간함수가되면서 컨볼루션을 적용할 수 있음.

# Binarized presynaptic spike train, Spike density로 변환
Se=np.zeros_like(time)
Si=np.zeros_like(time)
Se[np.floor(ExcSpikeTimes/dt).astype(int)]=1/dt
Si[np.floor(InhSpikeTimes/dt).astype(int)]=1/dt

#Euler solver to compute Is and V
for i in range(len(time)-1):
    V[i+1]=V[i]+dt*(-(V[i]-EL)+Ie[i]+Ii[i]+Ix[i])/taum 
    Ie[i+1]=Ie[i]+dt*(-Ie[i]+Je*Se[i])/taue
    Ii[i+1]=Ii[i]+dt*(-Ii[i]+Ji*Si[i])/taui

simulation 동안 원하는 PSP를 그리기 위해서는 timescales -> time constant -> synaptic weights 순서로 수정.

2. Measuring and Modeling Neural Variability

2.1 Spike Train Variability, Firing Rates, and Tuning

Neural Variability: Irregularity of spike가 존재함.

Binarized spike train: 2ms time window로 사용하면 interval이 짧기 때문에 1 spike or zero spike으로 이분화 할 수 있음. 이는 firing rate 계산할 떄 유용하다.

Firing rate: number of spikes per unit time, spike/s -> Hz 단위

Cortex Neuron - spike 1-50Hz.

Firing rate 그래프가 불연속적임. 연속적으로 만들기 위해 overlapping time intervals을 사용함.

다음과 같은 kernel를 사용해서 smoothing 함. 주로 Gaussian kernel 사용함.

r(t): time-dependent firing rate

설명: S(t)(spike density)로 표현된 식은 delta function으로 이루어진 discrete한 데이터다. 뾰족한 모양.

k(t)를 Gaussian kernel 이자 적분 값이 1인 함수로 정의한다.

t: time, sigma: 표준편차

-> convultion 시 spike 발생한 시간 근처에서 부드럽게 값이 퍼짐.

#Gaussian kernel
k = np.exp(-s**2 / (2 * sigma**2))
k = k / (np.sum(k) * dt)  # Normalize kernel

#Convolution
SmoothedRate = np.convolve(S, k, mode='same') * dt

Dataset: SpikeTimes1Neuron1Theta.npz

- monkey visual cortex

- drifting grating stimulation for 1s

- trial 200번

- theta: 자극의 각도

Spike Density Array로 쉽게 데이터 저장

skj: k번쨰 실험, J 번째 spike

그렇다면 S[k,:]는 k번째 trial의 spike density가 저장되게 된다.

S = np.zeros((NumTrials, len(time)))  # Spike Density Array 초기화
S[TrialNumbers, (SpikeTimes/dt).astype(int)] = 1/dt

Fano factor: Trial variability를 측정, ratio btw 분산과 평균

FF=0 neuron이 똑같이 spike

FF>1 trial to trial variability가 크다.

Orientation tuning in primary visual cortex

receptive field: 자극에 반응하는 region

orientation의 angle에 따라 firing rate이 증가함. - highest firing rate = preferred orientation

하나의 neuron보다 neuron 집단을 통해 분석.

2.2 Modeling Spike Train Variability with Poisson Processes

Spike train variability: 똑같은 자극을 주더라도 spike의 시간적인 변동성이 존재

How to model spike timing variability?

=> Stochastic process: 시간에 따라 상태가 랜덤하게 변화

그 중 Point process: 불연속적으로 발생하는 사건.

Counting Process: n(t): t 시간 동안 spike의 갯수.

Instantaneous firing rate: 즉시 발화율

r(t): 시간 t에 뉴런이 발화할 확률, 단위 시간동안 스파이크 발생의 기대값.

정의)

1. E[N(t,t+ δ )] : 시간 t 근처에서 발생하는 스파이크 개수의 기댓값

이를 시간 구간으로 나누므로 단위 시간 당 발생하는 스파이크의 기대값이 된다.

2. 미분으로 표현:

E[n(t)]: t시간 까지 발생한 스파이크의 총 갯수의 기대값

이를 미분하면, 누적된 스파이크 기대값의 시간 변화율

3. Spike density로 표현

S(t): 특정 시간 t에 스파이크가 발생했는지 여부를 표현

d/dt n(t) = S(t)

n(t): 시간 t까지 누적된 스파이크의 갯수 / S(t): 특정시간 t에서 발생한 스파이크

1) 시간 구간 [a,b] 동안 뉴런이 발생시킬 스파이크의 평균 갯수

2) 특정 시간 t에서 뉴런이 발화할 즉시 발화율을 시간 구간 [a,b] 에 대해 합산

r(t) 단위 Hz: spike 수 / s : 단위 시간 동안 발생하는 평균 스파이크 갯수.

dt : 시간을 곱함. => 총 spike의 갯수.

참고) 이해: 단위 시간 동안 발생할 스파이크의 평균 갯수 또는 강도, t = 0.1 => 0.1초 때 강도, 발화 확률.

Stationary process : 정적 특성일 경우

Definition: N(a,b) = N( a+t, b+t )

Theorem. r(t) = r , E[n(t)] = rt

r(t)가 일정하지만, 스파이크 간의 상관관계는 있을 수 있음.

ex)

Homogeneous Poisson process (Stationary Poisson process)

:stationary point process + memoryless property.

:스파이크 발생이 독립적, 시간 구간마다 독립적

: spike는 어느 시간 분포에 있어도 동일하게 발화함.

: n(t)가 푸아송 분포를 따름.

*포아송 분포: 어떤 사건(spike)가 몇 번 발생하는지를 나타내는 확률 분포

n: spike가 발생한 이벤트 갯수 r: 평균 발생률

n(t)의 분산과 평균이 같다.

즉 평균적으로 rt만큼 스파이크가 발생한다고 이해할 수 있다.

Fano factor = 1, trial to trial variability의 기준선.

subPoisson: FF<1

superPissson: FF>1

Poisson process를 생성하는 2가지 algorithm

1. spike times를 직접적으로 생성

N=np.random.poisson(r*T)
SpikeTimes=np.sort(np.random.rand(N)*T)

포아송 분포에서 스파이크 총 갯수를 생성하고

이를 시간에 랜덤하게 생성하여 순서대로 정렬 #0과1 사이의 난수를 생성

2. spike density를 생성

S=np.random.binomial(1, r*dt, len(time))/dt

단위 시간내 스파이크가 발생할 확률을 총 시간 동안 시행하여 스파이크 발생 여부를 구함. (0,1로 이루어진 배열)

r*dt 의 값이 작아야 함. - 스파이크 발생이 2번 되는 것을 방지하기 위해서이다., *푸아송 정의 때문?

Spike density <-> Spike time switching

SpikeTimes=np.nonzero(S)[0]*dt

S=np.zeros_like(time)
S[(SpikeTimes/dt).astype(int)]=1/dt

Multiple i.i.d. trials

Nonstationary spike trains(inhomogeneous Poisson process)

stationary 에서 r(t)가 시간에 따라 변화하는 특성으로 확장하는 것.

Inhomogeneous Poisson Process Algorithm: algorithm 2를 일반화.

r=(20+16*np.sin(2*np.pi*time/200))/1000 
S=np.random.binomial(1,r*dt,(NumTrials,len(time)))/dt

r*dt, r(t)*dt로 시간에 의존하는 단위시간에 스파이크가 발생할 확률을 사용함.

dt가 매우 작아야함.

Q. dt로 나누는 이유: 0,1로 이루어진 이진 행렬에서 dt로 나누어야지, 단위 시간당 스파이크(S(t))로 표현할 수 있음.

Q. r(t)*dt를 사용하므로써 시간에 따라 달라진 확률을 구할 때, np.random.binomial로 결국 그것에 따른 이진 행렬로 나타나게 되면, spike density를 표현할 때 확률적인 의미가 퇴색되는 것이 아닌가?

Figure2.4

A, B: r(t) = 15Hz : Homogeneous Poisson process

C, D: r(t) = 시간에 따라 변화하는 주기함수: inhomogeneous Poisson process

Exercise 2.2.1

import numpy as np

#Fano_factor 계산
def ff(spike_counts):
    return np.var(spike_counts) / np.mean(spike_counts)

#변수
r=10/1000 # Rate in kHz
T=1000 # Time interval length
dt=.1 # Discretized time
time=np.arange(0,T,dt)

# Generate 10 Poisson processes
for _ in range(5):
  S = np.random.binomial(1, r * dt, (10, len(time)))
  spike_counts = S.sum(axis=1)  # Sum spikes across time for each trial
  fano_factor = ff(spike_counts)
  print(fano_factor)