In welcher Weise hängt die Dynamik eines neuronalen Systems von den Eigenschaften seiner Netzwerkstruktur ab? Diese wichtige Fragestellung der Neurowissenschaft untersuchen wir in dieser Dissertation anhand einer analytischen und numerischen Modellierung der Aktivität großer neuronaler Netzwerke mit komplexer Struktur. Im Fokus steht die Relevanz zweier bestimmter Merkmale für die Dynamik: strukturelle Heterogenität und Gradkorrelationen. Ein zentraler Bestandteil der Dissertation ist die Entwicklung einer Molekularfeldnäherung, mit der die mittlere Aktivität heterogener, gradkorrelierter neuronaler Netzwerke berechnet werden kann, ohne dass einzelne Neuronen explizit simuliert werden müssen. Die Netzwerkstruktur wird von einer reduzierten Matrix erfasst, welche die Verbindungsstärke zwischen den Neuronengruppen beschreibt. Für einige generische Zufallsnetzwerke kann diese Matrix analytisch berechnet werden, was eine effiziente Analyse der Dynamik dieser Systeme erlaubt. Mit der Molekularfeldnäherung und numerischen Simulationen zeigen wir, dass assortative Gradkorrelationen einem neuronalen System ermöglichen, seine Aktivität bei geringer externer Anregung aufrecht zu erhalten und somit besonders sensitiv auf schwache Stimuli zu reagieren. / An important question in neuroscience is how the structure and dynamics of a neuronal network relate to each other. We approach this problem by modeling the spiking activity of large-scale neuronal networks that exhibit several complex network properties. Our main focus lies on the relevance of two particular attributes for the dynamics, namely structural heterogeneity and degree correlations. As a central result, we introduce a novel mean-field method that makes it possible to calculate the average activity of heterogeneous, degree-correlated neuronal networks without having to simulate each neuron explicitly. We find that the connectivity structure is sufficiently captured by a reduced matrix that contains only the coupling between the populations. With the mean-field method and numerical simulations we demonstrate that assortative degree correlations enhance the network’s ability to sustain activity for low external excitation, thus making it more sensitive to small input signals.
| Identifer | oai:union.ndltd.org:HUMBOLT/oai:edoc.hu-berlin.de:18452/18122 |
| Date | 07 April 2016 |
| Creators | Schmeltzer, Christian |
| Contributors | Rüdiger, Sten, Kihara, Alexandre, Lacalle, Enrique Alvarez |
| Publisher | Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät |
| Source Sets | Humboldt University of Berlin |
| Language | English |
| Detected Language | English |
| Type | doctoralThesis, doc-type:doctoralThesis |
| Format | application/pdf |
| Rights | Namensnennung, http://creativecommons.org/licenses/by/3.0/de/ |
Page generated in 0.0024 seconds