Из рубрики «Листая старые страницы»

Екатерина Кузьмина, Дмитрий Крюков и Михаил Лебедев доказывают, что вращательные динамические структуры (rotational dynamics) в нейронных популяциях, определяемые с помощью метода jPCA, являются естественным следствием бегущих волн (travelling waves).

Они устраняют противоречия между конкурирующими гипотезами и предлагают строгое математическое объяснение причин возникновения вращения в экспериментальных данных. В исследовании математически разделяются вращения внутри отдельного экспериментального условия и структурные вращения, объединяющие множество условий движения.

Для анализа отдельного условия необходимым условием вращения траектории в многомерном пространстве нейронных состояний является ненулевая дифференциальная кривизна. Кривизна траектории каппа в каждый момент времени ти вычисляется как отношение нормы векторного произведения скорости и ускорения к кубу нормы вектора скорости:

$$\kappa(t) = \frac{\Vert{}\dot{X}(t) \times \ddot{X}(t)\Vert{}}{\Vert{}\dot{X}(t)\Vert{}^3}$$

Этот параметр служит локальной мерой неколлинеарности векторов скорости и ускорения. Авторы показывают, что методы снижения размерности, такие как PCA или jPCA, способны сильно искажать кривизну исходной траектории, меняя направление вращения или создавая искусственные резкие повороты. По этой причине кривизна исходной многомерной кривой дает более объективное представление о физиологии нейронной активности, чем радиальные углы или траектории после сжатия.

Достаточным условием вращения отдельного условия выступает паттерн бегущей волны. В простейшей модели активность j-го нейрона описывается гауссовой функцией, смещенной во времени:

$$X_j(t) = \exp\left(-\frac{(t - k_j)^2}{2\sigma^2}\right)$$

Пиковое время срабатывания k_j зависит от индекса нейрона j, начального сдвига a и скорости волны b:

$$k_j = a + b \cdot j$$

В статье приводятся два доказательства того, почему бегущая волна порождает вращение. Первое доказательство показывает, что последовательное срабатывание нейронов формирует ковариационную матрицу Теплица. Компоненты ее собственных векторов имеют синусоидальную форму, где l-я компонента j-го собственного вектора определяется формулой:

$$v_{j,l} = \sqrt{\frac{2}{n+1}} \sin\left(\frac{j \cdot l \cdot \pi}{n + 1}\right)$$

Ортогональные колебания этих векторов при проекции образуют характерные замкнутые подковообразные траектории.

Второе доказательство базируется на непрерывной формулировке метода jPCA, который ищет проекцию, описываемую кососимметричной матрицей системы M в уравнении:

$$\dot{X}(t) = M X(t)$$

Поскольку оператор exp(M t) сохраняет норму вектора и выполняет чистое вращение, авторы строят дифференциальную ковариационную матрицу C_d:

$$C_d = \int X(t) \cdot \dot{X}(t)^T dt$$

В модели бегущей волны матрица C_d строго кососимметрична (C_d = -C_d^T), что гарантирует появление вращательной динамики при jPCA-проекции.

Для количественной оценки структурных вращений на множестве условий без потери информации при сжатии авторы вводят комплексную метрику — число вращения (gyration number). Вместо аппроксимации матрицы M анализируются собственные значения лямбда дифференциальной ковариационной матрицы всего набора данных. Число вращения G рассчитывается путем нормировки ведущей пары комплексных собственных значений на суммарную мощность спектра:

$$G = \frac{\lambda_1}{\sum_i \vert{}\lambda_i\vert{}}$$

Вещественная часть числа G отвечает за расширение или сжатие спирали траектории, а мнимая часть отражает чистую интенсивность вращения. Размещение нейронных наборов данных на плоскости вращения (gyration plane), где по осям отложены вещественная и мнимая части G, позволяет сравнивать различные экспериментальные данные напрямую.

Вариация параметров волны (амплитудного и фазового шума, скорости и ширины) показывает, что низкий уровень шума и четкая временная задержка между условиями дают максимальные значения мнимой части числа G, формируя устойчивые структурные вращения.