Titel: Characteristic Topology of Brain Networks: Emergence through plasticity and computational aspects
Sprache: Englisch
Autor*in: Damicelli, Fabrizio
Erscheinungsdatum: 2021
Tag der mündlichen Prüfung: 2021-03-23
Zusammenfassung: 
The networks of connections between neurons and brain regions are the physical substrate of brain function.
The topology of these brain networks, i.e. the wiring diagram, exhibits characteristic features across species and spatial scales.
We addressed two questions about brain networks topology.
First: Which plasticity mechanisms could lead to the emergence of the characteristic topological features of brain networks?
Second: Which effect does the connectivity of brain networks have on their performance on concrete tasks?
Two topological features of brain networks are crucially important for information processing: Modular organization and a heterogeneous distribution of links leading to nodes with many connections, known as hubs.
However, the mechanisms underlying the generation and maintenance of such characteristic topological features of brain networks are still unclear.
We carried out an exploration of plasticity mechanisms that could lead to formation of modules and heterogeneous degree distributions in brain networks.
We first formulated a network model with excitable nodes and discrete deterministic dynamics, where we studied the effects of a Hebbian plasticity rule on global network topology.
This simple rule reorganized the network topology into a modular structure and enhanced the correlation between structural and functional connectivity, regardless of the initial structure.
Nevertheless, the final modules were dominated by the deterministic formulation of the used dynamical model.
As a next step, we went beyond those limitations with another model – the Topological Reinforcement (TR).
The TR model was derived from a purely topological perspective, which even allowed for an implementation without neural activity.
The TR rule acted iteratively enhancing the topological overlap between nodes and evolved initially random networks towards a modular architecture by amplifying initial “proto-modules”.
We also showed this topological selection principle acting in a biologically more realistic fashion with an activity-based rule, obtaining consistent results with the pure topological rule, suggesting the reinforcement of topological overlap as a fundamental mechanism contributing to modularity emergence.
Subsequently, we studied a model aiming at explaining the emergence of a heterogeneous degree distribution - the Sequential Reinforcement model.
This activity-based plasticity model promoted the creation of links between nodes with high correlations delayed in time, which led to a remodelling of the degree distribution into a heterogeneous degree distribution.
The final degree distribution was related to the initial one and reached a stable organization across time, showing that the model could lead to a self-organized stable connectivity pattern.
Our last study dealt with the implications of real brain networks topologies on machine learning tasks.
We carried out a cross-species study with a hybrid approach integrating real brain connectomes and Echo State Networks (ESNs) that allowed us to probe real brain connectivity on concrete tasks.
We found that biologically inspired networks performed as well as classical ESNs, provided a minimum level of randomness and diversity of connections was present.
Our results also highlighted the relevance of the diversity of interareal connectivity patterns.

Die Netzwerke von Verbindungen zwischen Neuronen und Gehirnarealen sind die physikalische Grundlage von Hirnfunktionen.
Die Topologie solcher Hirnnetzwerke, d.h. der Schaltplan, zeigt charakteristische Eigenschaften, die sowohl bei verschiedenen Tierarten als auch über verschiedene räumliche Skalen hinweg zu finden sind.
Wir sind zwei Fragen über Hirnnetzwerke nachgegangen.
Erstens: Welche Plastizitätsmechanismen könnten zur Entstehung der charakteristischen topologischen Eigenschaften führen?
Zweitens: Welchen Effekt hat die Topologie von Hirnnetzwerken auf die Performance dieser Netzwerke beim Lösen von konkreten Aufgaben.
Zwei topologische Eigenschaften von Hirnnetzwerken sind besonders wichtig für die Informationsverarbeitung:
Modulare Organisation und heterogene Verteilung von Verbindungen (Kanten), welche Knoten mit vielen Verbindungen impliziert - so genannte Hubs.
Trotzdem sind die Mechanismen, die zur Entstehung und Erhaltung von solch charakteristisch topologischen Eigenschaften von Hirnnetzwerken führen, unbekannt.
Wir haben eine Exploration von Plastizitätsmechanismen durchgeführt, die zur Entstehung von Modulen und heterogener Verteilung von Verbindungen führen könnten.
Zuerst haben wir ein Modell von exzitablen Knoten und diskreter Aktivität formuliert.
Dabei haben wir die Effekte einer Hebbian-Plastizitätsregel auf die globale Netzwerktopologie untersucht.
Diese einfache Regel rief eine Reorganisation der Netzwerktopologie mit modularer Struktur hervor.
Dieser Effekt trat unabhängig von den Ausgangsbedingungen der Simulation auf und hat zu einer erhöhten Korrelation zwischen struktureller und funktioneller Konnektivität geführt.
Dennoch waren die entstandenen Module durch das deterministische Aktivitätsmuster des Modells limitiert.
Im nächsten Schritt haben wir anhand eines neuen Modells - dem Topological Reinforcement (TR) Modell - diese Limitationen überwunden.
Das TR Modell wurde aus einer rein topologischen Perspektive konzipiert, die sogar eine Implementierung ohne jegliche neuronale Aktivität ermöglichte.
Die TR-Regel hat iterativ für eine stärkere topologische Überlappung zwischen den Knoten gesorgt, die wiederum zu einer Umwandlung von Zufalls- auf Modularenetzwerken geführt hat, indem "Proto-Module" von der TR-Regel amplifiziert wurden.
Wir waren außerdem in der Lage eine biologisch realistischere, auf Aktivität basierende Variation des TR-Modells zu formulieren, die nach dem gleichen Prinzip von topologischer Selektion funktioniert.
Die damit erhobenen Ergebnisse waren konsistent mit denen der rein topologischen Regel, was für das Topological-Reinforcement-Prinzip als fundamentalen Mechanismus spricht, der Entstehung von Modulen in Hirnnetzwerken beiträgt.
Des Weiteren untersuchten wir ein Modell, dessen Ziel die Erklärung der Entstehung heterogener Knotengradsverteilung war - das Sequential Reinforcement Modell.
Diese aktivitätsbasierte Plastizitätsregel begünstigte die Entstehung von Kanten zwischen Knoten mit zeitlich stark versetzter Korrelation, was wiederum eine heterogene Knotengradsverteilung verursachte.
Die Knotengradsverteilung am Ende der Simulationen war denen vom Simulationsanfang ähnlich und zeigte einen stabilen Zeitverlauf.
Dies spricht für ein selbstorganisiertes Konnektivitätsmuster.
Zuletzt untersuchten wir die Rolle der Topologie echter Hirnnetzwerke beim Lösen von Machine-Learning-Aufgaben.
Anhand einer hybriden Herangehensweise haben wir echte Hirnnetzwerke von verschiedenen Spezies mit Echo State Networks (ESNs) integriert, was die Testung dieser Hirnnetzwerke ermöglichte.
Wir haben gezeigt, dass die biologisch inspirierten ESNs eine so gute Leistung wie klassische ESNs haben konnten, solange genügend zufällige und diverse Verbindungen vorhanden waren.
Unsere Ergebnisse betonen somit die Relevanz der Diversität der interarealen Verbindungsmuster.
URL: https://ediss.sub.uni-hamburg.de/handle/ediss/9022
URN: urn:nbn:de:gbv:18-ediss-92834
Dokumenttyp: Dissertation
Betreuer*in: Hilgetag, Claus Christian
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat  
Dissertation.pdf37.01 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Info

Seitenansichten

95
Letzte Woche
Letzten Monat
geprüft am 23.09.2021

Download(s)

27
Letzte Woche
Letzten Monat
geprüft am 23.09.2021
Werkzeuge

Google ScholarTM

Prüfe