The impact of excitability heterogeneity and synaptic coupling on resilience and stability of a macro-scale brain network
Notice bibliographique
Résumé
Experimental, and computational studies have highlighted the abundance and significance of excitability and synaptic heterogeneity for network resilience, learning, and memory. However, these studies have been confined to cellular-level investigations, a spatial resolution that is inaccessible with clinical tools (i.e., electroencephalography, magnetoencephalography). Such clinical recordings capture local field potentials, representing brain activity at a coarser spatial scale than individual neurons. To understand how neuronal diversity affects large-scale activity, computational models and techniques are needed to examine the effects of heterogeneity on dynamics at these coarser scales. We therefore examine how intrinsic excitability heterogeneity in neuronal populations of the brain affects the stability and resilience of macro-scale brain networks against external stimulations. We use a macro-scale computational model where each node is a neural mass model with interacting excitatory and inhibitory sub-populations. Heterogeneities are represented using lumped parameters, and brain region dynamics are coupled through a global synaptic coupling parameter. Our numerical results show that excitability heterogeneity and synaptic coupling stabilize neural dynamics against external inputs, reducing amplitude variations and enhancing resilience at the macro-scale. Excitability heterogeneity also prevents the emergence of multiple equilibria. Although the global coupling parameter alone is less effective at reducing the emergence of multiple equilibria, it boosts the network’s resilience when combined with heterogeneity. Thus, excitability heterogeneity stabilizes neural dynamics and simplifies the system’s stable states on a broader spatial scale.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 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 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».