Higher-order correlation analysis in massively parallel recordings in behaving monkey

Stella, Alessandra; Grün, Sonja Annemarie (Thesis advisor); Kampa, Björn M. (Thesis advisor)

Jülich : Forschungszentrum Jülich GmbH, Zentralbibliothek, Verlag (2022)
Buch, Doktorarbeit

In: Schriften des Forschungszentrums Jülich. Reihe Information = Information 81
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2022

Kurzfassung

Eine gängige Hypothese zum Mechanismus der Informationsverarbeitung im kortikalen Netzwerk ist die sequentielle Aktivierung von Ensembles von Neuronen (’cell assemblies’), die sich durch korrelierte neuronale Aktivität uszeichnen. In vielen Studien wurde das Auftreten zeitlich präziser raum-zeitlicher Muster von Aktionspotentialen Spikes) als Ausdruck von aktiven neuronalen Ensembles untersucht. Diese sind definiert als Sequenzen von Spikes unterschiedlicher Neurone mit bestimmten Zeitintervallen zwischen den Spikes, die sich genau in dieser Konfiguration wiederholen. Zur Detektion dieser Muster wurde die statistische Methode SPADE (Spatio-temporal PAttern Detection and Evaluation) entwickelt, welche zuerst nur synchrone Spike-Muster detektieren konnte, dann aber auf raum-zeitliche Spike-Muster (STP) erweitert wurde. Allerdings wurde die Methode bislang nur auf relativ einfachen, simulierten Daten angewandt und getestet, und noch nicht auf experimentelle Daten angewendet.In dieser Arbeit führe ich eine wesentliche Erweiterung zur SPADE Methode ein, die es erlaubt auch die Dauer raum-zeitlicher SpikeMuster, die Ordnung der Korrelation und die Anzahl der STPs angemessen im Signifikanztest berücksichtigen. Mit dieser Verbesserung wurde die statistische Performanz wesentlich verbessert. Zusätzlich habenwir eine optimierte Implementation für den Mining Algorithmus von SPADE entwickelt, welche auf verschiedener Computerhardware lauffähig ist, und um 1-2 Grössenordnungen schneller ist und wesentlich effizienter den Speicher des Computers nutzt.Desweiteren habe ich künstliche Daten entwickelt und simuliert, welche unterschiedliche Grade der Komplexität experimenteller Daten nachahmen. Diese basieren vollständig auf Punktprozessmodellen, deren zugrundeliegenden Parameter vollständig bekannt sind. Diese Daten dienen als realistische Referenzdaten zur Validierung und Testung von Methoden zur Analyse neuronaler Spike-Folgen.In einer weiteren Untersuchung vergleichen wir unterschiedliche Surrogatmethoden, d.h. Methoden der gezielten Zerstörung der Zeitrelationen paralleler Spike-Folgen, auf deren Anwendungsmöglichkeit zur Testung statistischer Signifikanz von Spike-Mustern. Unsere Ergebnisse zeigen, dass die klassische Methode des ’uniform dithering’,d.h. das uniforme, zufällige Versetzen von Spikezeitpunkten, nicht als adequate Surrogatmethode dient, da sie im Kontext unserer experimentellen Daten zu einer Unterschätzung der Signifikanz führt. Stattdessen haben wir alternative Methoden mit besserer Performanz entwickelt.In der letzten hier dargestellten Studie analysierte ich experimentelle neuronale Daten aus dem Motorkortex von zwei nicht-humanen Affen, die eine motorische Aufgabe ausführen, indem die den Arm ausstrecken und ein bestimmtes Objekt greifen. Die massiv-parallelen gemessenen Spikefolgen verschiedener Messexperimente wurden aufdas Auftreten von STPs mit SPADE untersucht. Es zeigte sich, dass STPs in allen Phasen des Verhaltens in einem Versuchsdurchgang mit hoher Spezifizität auftreten, was wir als Ausdruck der Aktivierung unterschiedlicher neuronaler Ensembles interpretieren. Darüberhinaus zeigt unsere Analyse, dass einzelne Neurone in unterschiedlichen STPs involviert sind. Eine räumliche Ballung von Neuronen, die in STPs beteiligt sind, zeigt sich hingegen nicht.

Einrichtungen

• Fachgruppe Biologie [160000]
• Lehr- und Forschungsgebiet Theoretische Systemneurobiologie (FZ Jülich) [163110]