L'impatto dei neuroni inibitori sulle reti cerebrali

Nella circuiteria del cervello, un tipo di neurone chiamato interneurone GABAergico rappresenta circa il 10% al 20% di tutti i neuroni. Questi neuroni vengono in vari tipi, ognuno con caratteristiche uniche su come si connettono e lavorano con altri neuroni. Capire come questi vari tipi influenzano la funzione cerebrale è piuttosto complesso.

A un livello base, un equilibrio tra due processi-eccitazione e Inibizione-aiuta a spiegare i modelli di attivazione irregolari visti nel cervello. Questo equilibrio aumenta la sensibilità dei circuiti agli input, permettendo una rapida elaborazione delle informazioni. Gioca anche un ruolo importante in compiti come aggiustare il modo in cui funzionano i campi recettivi, formare gruppi di neuroni che agiscono insieme e memorizzare sequenze specifiche di attivazione neuronale.

Questo equilibrio può essere raggiunto senza la necessità di modi specifici per connettere i neuroni inibitori. Molti modelli trattano l'inibizione come un modo semplice per controllare l'eccitazione, fondendola con un fattore di correzione generale per il funzionamento dei neuroni eccitatori. Tuttavia, questa visione semplificata ignora i potenziali benefici di avere connessioni più precise tra i neuroni inibitori. Includere connessioni inibitorie mirate può rendere i calcoli più accurati e aiutare a regolare funzioni cerebrali come la formazione della memoria e la previsione.

Ricerche mostrano che i neuroni inibitori formano schemi di connessione specifici che non sono casuali e non possono essere spiegati solo dalla distanza o dalla forma dei neuroni. Questi schemi sono diversi in varie aree cerebrali e dipendono dal tipo di interneurone. Nei cervelli giovani, anche prima dell'input dal mondo esterno, un'inibizione strutturata aiuta a plasmare lo sviluppo cerebrale. Per esempio, un certo schema di connessione porta a un'attività diffusa in tutto il cortex sensoriale.

Nonostante ciò che sappiamo, non capiamo ancora completamente come si formino e persistano questi schemi di connessione speciali. La genetica gioca un ruolo, specialmente nelle prime fasi dello sviluppo cerebrale. Un altro fattore importante è la Plasticità Sinaptica, che sono i cambiamenti nella forza delle connessioni in base all'attività neuronale. Questo meccanismo consente aggiustamenti basati sull'attività, offrendo precisione in circuiti strettamente packati e flessibilità in condizioni che cambiano.

Sebbene alcune teorie abbiano esaminato come diversi modi di aggiustare la forza sinaptica influenzino connessioni semplici, non c'è ancora una chiara comprensione di come questi aggiustamenti influenzino circuiti più grandi. Lavori precedenti suggerivano una regola per regolare le sinapsi per mantenere stabili i tassi di attivazione. Tuttavia, questo approccio non si concentra molto su come si formino le strutture e può portare a tassi di attivazione troppo uniformi. Altre ricerche hanno derivato regole da dati sperimentali o obiettivi computazionali, mentre altre hanno valutato numerosi parametri per trovare soluzioni.

In questo articolo, proponiamo una visione ampia esaminando varie regole per aggiustare la forza sinaptica ed esplorando come influenzano le connessioni neuronali e il funzionamento in grandi reti neurali.

#L'Influenza della Plasticità Inibitoria sulla Struttura del Circuito

Per indagare come l'aggiustamento delle connessioni inibitorie influisca sulla struttura del circuito, abbiamo impostato un framework per definire una varietà di regole per i cambiamenti sinaptici. Con queste regole, volevamo trovare una soluzione per una connessione eccitatoria-inibitoria di base e mostrare come il tipo di regola influisce sulle connessioni formate.

Alcuni aspetti dei nostri risultati dipendono solo dai tassi di attivazione dei neuroni pre- e post-sinaptici. Nelle regole con alte contribuzioni da questi tassi di attivazione, la dinamica dei cambiamenti sinaptici è principalmente guidata da questi tassi piuttosto che da altri fattori. Ci riferiamo a questa situazione come al regime di plasticità "guidato dal tasso". Una regola guidata dal tasso precedentemente discussa aggiusta le connessioni inibitorie per mantenere i tassi di attivazione post-sinaptici vicino a un valore target, portando a risultati stabili.

Quando l'influenza dei tassi di attivazione è forte, possiamo trascurare altre contribuzioni. Tuttavia, questo significa che solo una piccola parte delle potenziali regole è coperta. Abbiamo anche esplorato più regole in cui il contributo delle correlazioni di secondo ordine è significativo, spingendoci in quello che chiamiamo un regime "guidato dalla covarianza". Le regole guidate dalla covarianza possono consentire alle connessioni di rafforzarsi o indebolirsi in base ai modelli di interazione dei neuroni coinvolti.

In un modello semplificato con due neuroni, abbiamo esaminato come diversi tipi di regole di aggiustamento influenzassero la forza delle connessioni inibitorie e l'attività dei neuroni post-sinaptici eccitatori. Abbiamo creato due scenari: uno con una connessione unidirezionale dove un neurone invia solo segnali all'altro e un altro con connessioni reciproche dove ogni neurone influenza l'altro.

Mentre le regole guidate dal tasso hanno reagito minimamente alla presenza di connessioni reciproche, le regole guidate dalla covarianza hanno rivelato una forte dipendenza dalle connessioni iniziali e dalla regola specifica applicata. Per esempio, un certo tipo di regola ha portato a connessioni inibitorie significativamente più forti nello scenario reciproco rispetto a quello unidirezionale. Al contrario, un'altra regola ha portato a una diminuzione delle connessioni inibitorie quando entrambi i neuroni interagivano.

La capacità di queste regole di mantenere il controllo sui tassi di attivazione eccitatori appare molto dipendente dalla struttura delle connessioni. Tale effetto mette in evidenza un fenomeno che chiamiamo "stabilizzazione strutturata", dove la natura delle connessioni aiuta a mantenere la stabilità nell'attività del circuito.

#Il Ruolo di Diversi Tipi di Plasticità Sinaptica

Abbiamo stabilito che le regole basate sulla covarianza possono ottenere una stabilizzazione strutturata. Successivamente, volevamo capire come la forma dell'interazione della regola influisca sulla creazione di connessioni inibitorie. Abbiamo esaminato quattro forme per queste regole e studiato il loro comportamento all'interno del nostro semplice modello eccitatorio-inibitorio.

I risultati hanno confermato che forme specifiche contribuiscono a mantenere la stabilità in condizioni guidate dalla covarianza. Questi tipi di regole erano robusti a cambiamenti nei parametri, portando costantemente a una forza di connessione stabile. Al contrario, altre forme si sono dimostrate instabili in condizioni simili, portando spesso a connessioni che o scendevano a zero o diventavano troppo forti.

Questa differenza nella stabilità nasce perché le interazioni di queste regole reagiscono diversamente ai cambiamenti nelle connessioni tra i neuroni. Nelle regole auto-stabilizzanti, un aumento della forza inibitoria porta a una diminuzione degli eventi di attivazione correlati, spostando l'equilibrio verso l'indebolimento sinaptico e compensando i cambiamenti iniziali. Al contrario, sotto certe regole instabili, questa riduzione porta a un minor numero di eventi di indebolimento e amplifica le alterazioni iniziali.

In sintesi, la nostra analisi ha mostrato una varietà di regole con diversi risultati sia per la struttura del circuito che per l'attività. Alcune regole consentono comportamenti specializzati attraverso la stabilizzazione strutturata, mentre altre si concentrano sul controllo dei tassi di attivazione, offrendo vantaggi e sfide distintive per compiti computazionali.

#Stabilizzazione Strutturata in Grandi Reti Neurali

Per convalidare i nostri risultati precedenti in reti più ampie, abbiamo simulato un setup più grande composto da neuroni spiking. La nostra rete neurale casuale era composta da 900 neuroni eccitatori e 100 neuroni inibitori, con connessioni fisse tra neuroni eccitatori ma connessioni plastiche per quelli inibitori.

Inizialmente, la rete presentava alti tassi di attivazione ma, attraverso cambiamenti plastici, si stabilizzava rapidamente, raggiungendo un modello di attivazione regolare tipico delle reti bilanciate. Abbiamo diviso le connessioni inibitorie apprese in connessioni reciproche, dove neuroni eccitatori e inibitori si influenzano a vicenda, e connessioni unidirezionali, dove solo un tipo influenza l'altro.

Dopo aver applicato le regole di plasticità, i pesi reciproci si sono rafforzati molto di più di quelli unidirezionali. Questo rinforzo selettivo suggeriva che la natura di queste connessioni rispecchiava la struttura eccitatoria originale dopo l'apprendimento.

Quando abbiamo applicato una regola di plasticità antisymmetrica alla stessa rete, i risultati hanno portato a un modello diverso dove era favorita l'inibizione laterale. In questo caso, i neuroni inibitori hanno aumentato la loro influenza sui neuroni eccitatori che mancavano di connessioni reciproche. Quindi, la struttura di connettività rifletteva un opposto completo di ciò che era stato stabilito sotto la regola simmetrica.

#Computazioni Emergenti in una Rete Anulare

Dopo aver compreso come diverse regole plasmino la connettività, abbiamo esaminato i risultati funzionali della stabilizzazione strutturata in un modello di rete anulare unidimensionale. Tali reti sono ottime per indagare l'attività persistente e potrebbero far luce su varie funzioni neurali.

Nella nostra rete anulare, abbiamo creato popolazioni distinte di neuroni inibitori che applicavano regole sinaptiche diverse, portando a ruoli specializzati man mano che le dinamiche evolvevano. Per esempio, un gruppo ha formato connessioni forti con neuroni eccitatori, rispecchiando i modelli di connessione stabiliti, mentre un altro ha stabilito un'inibizione laterale selettiva in tutta la rete.

Queste dinamiche hanno portato a un profilo di interazione efficace unico tra i neuroni eccitatori, caratterizzato da forte eccitazione locale e inibizione più ampia senza input esterni diretti. Questa configurazione ha sollevato domande su come la rete risponderebbe a stimoli.

Quando presentati con stimoli di diverse dimensioni, abbiamo osservato un modello coerente in cui input più grandi portavano a tassi di attivazione di picco più bassi, con le risposte più elevate dai neuroni vicini ai bordi dello stimolo. Il neurone centrale mostrava una soppressione circostante, comunemente trovata negli studi classici sugli effetti contestuali.

#Conclusione

In generale, il nostro lavoro illustra come l'aggiustamento della forza sinaptica possa stabilizzare l'eccitazione e portare a schemi di connessione specifici tra i neuroni. La forma delle regole di interazione determina quali schemi di connessione emergono e come vengono rinforzati in base alle correlazioni esistenti all'interno della rete.

Anche senza segnali esterni strutturati, i circuiti possono auto-organizzarsi attraverso le loro dinamiche interne. La nostra esplorazione di diverse regole di aggiustamento mette in evidenza uno spettro di effetti sia sulla struttura del circuito che sulle capacità computazionali. Man mano che continuiamo a indagare sui meccanismi che guidano la plasticità, raccogliamo intuizioni più profonde che possono migliorare la nostra comprensione dello sviluppo neurale e dei processi di apprendimento correlati.