Myelin-induced gain control in nonlinear neural networks
Notice bibliographique
Résumé
Myelin surrounds axonal membranes to increase the conduction velocity of nerve impulses and thus reduce communication delays in neural signaling. Changes in myelination alter the distribution of delays in neural circuits, but the implications for their operation are poorly understood. We present a joint computational and non-linear dynamical method to explain how myelin-induced changes in axonal conduction velocity impact the firing rate statistics and spectral response properties of recurrent neural networks. Using a network of spiking neurons with distributed conduction delays driven by a spatially homogeneous noise, we combined probabilistic and mean field approaches. These reveal that myelin implements a gain control mechanism while stabilizing neural dynamics away from oscillatory regimes. The effect of myelin-induced changes in conduction velocity on network dynamics was found to be more pronounced in presence of correlated stochastic stimuli. Further, computational and theoretical power spectral analyses reveal a paradoxical effect where the loss of myelin promotes oscillatory responses to broadband time-varying stimuli. Taken together, our findings show that myelination can play a fundamental role in neural computation and its impairment in myelin pathologies such as epilepsy and multiple sclerosis. Myelin accelerates neural signaling by increasing axonal conduction velocity, but its impact on network dynamics remains unclear. The authors show that myelination implements a gain control mechanism, stabilizing neural dynamics away from oscillatory regimes, offering insights into its role in neural computation and disease.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».