Deriving connectivity from spiking activity in detailed models of large-scale cortical microcircuits
Notice bibliographique
Résumé
Abstract Inferring detailed cortical microcircuit connectivity is essential for uncovering how information is processed in the brain. A common method in vivo uses short-lag spike cross-correlations to derive putative monosynaptic connections, but inactive neurons and correlated firing can hinder the derivation accuracy. Previous computational studies that developed methods to derive connectivity from cross-correlations employed simplified or small network models and thus did not address the above key confounds of physiological large-scale networks. We tested connectivity derivation using simulated ground-truth spiking from detailed models of human cortical microcircuits in different layers and between key neuron types. While derivation accuracy was high for cortical layer 5 microcircuits, we showed that low-firing and inactive neurons in layer 2/3 microcircuits resulted in poor performance. We then showed that general activation paradigms for layer 2/3 microcircuits led to only a moderate improvement in derivation performance, due to a trade-off between reducing the proportion of inactive neurons and increasing correlated overactive neurons. We further improved the connection derivation performance using a more refined activation paradigm leading to jittered moderate spiking, which decreased inactive neurons without incurring unwanted correlations. Our results address key physiological challenges and provide methods to improve performance in deriving connections from spiking activity in large-scale neuronal microcircuits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».