Return to search

Hippocampal ripple oscillations in inhibitory network models / Analyses at microscopic, mesoscopic, and mean-field scales

Die Aktivität des Hippocampus im Tiefschlaf ist geprägt durch sharp wave-ripple Komplexe (SPW-R): kurze (50–100 ms) Phasen mit erhöhter neuronaler Aktivität, moduliert durch eine schnelle “Ripple”-Oszillation (140–220 Hz). SPW-R werden mit Gedächtniskonsolidierung in Verbindung gebracht, aber ihr Ursprung ist unklar. Sowohl exzitatorische als auch inhibitorische Neuronpopulationen könnten die Oszillation generieren.
Diese Arbeit analysiert Ripple-Oszillationen in inhibitorischen Netzwerkmodellen auf mikro-, meso- und makroskopischer Ebene und zeigt auf, wie die Ripple-Dynamik von exzitatorischem Input, inhibitorischer Kopplungsstärke und dem Rauschmodell abhängt.
Zuerst wird ein stark getriebenes Interneuron-Netzwerk mit starker, verzögerter Kopplung analysiert. Es wird eine Theorie entwickelt, die die Drift-bedingte Feuerdynamik im Mean-field Grenzfall beschreibt. Die Ripple-Frequenz und die Dynamik der Membranpotentiale werden analytisch als Funktion des Inputs und der Netzwerkparameter angenähert. Die Theorie erklärt, warum die Ripple-Frequenz im Verlauf eines SPW-R-Ereignisses sinkt (intra-ripple frequency accommodation, IFA). Weiterhin zeigt eine numerische Analyse, dass ein alternatives Modell, basierend auf einem transienten Störungseffekt in einer schwach gekoppelten Interneuron-Population, unter biologisch plausiblen Annahmen keine IFA erzeugen kann. IFA kann somit zur Modellauswahl beitragen und deutet auf starke, verzögerte inhibitorische Kopplung als plausiblen Mechanismus hin.
Schließlich wird die Anwendbarkeit eines kürzlich entwickelten mesoskopischen Ansatzes für die effiziente Simulation von Ripples in endlich großen Netzwerken geprüft. Dabei wird das Rauschen nicht im Input der Neurone beschrieben, sondern als stochastisches Feuern entsprechend einer Hazard-Rate. Es wird untersucht, wie die Wahl des Hazards die dynamische Suszeptibilität einzelner Neurone, und damit die Ripple-Dynamik in rekurrenten Interneuron-Netzwerken beeinflusst. / Hippocampal activity during sleep or rest is characterized by sharp wave-ripples (SPW-Rs): transient (50–100 ms) periods of elevated neuronal activity modulated by a fast oscillation — the ripple (140–220 Hz). SPW-Rs have been linked to memory consolidation, but their generation mechanism remains unclear. Multiple potential mechanisms have been proposed, relying on excitation and/or inhibition as the main pacemaker.
This thesis analyzes ripple oscillations in inhibitory network models at micro-, meso-, and macroscopic scales and elucidates how the ripple dynamics depends on the excitatory drive, inhibitory coupling strength, and the noise model.
First, an interneuron network under strong drive and strong coupling with delay is analyzed. A theory is developed that captures the drift-mediated spiking dynamics in the mean-field limit. The ripple frequency as well as the underlying dynamics of the membrane potential distribution are approximated analytically as a function of the external drive and network parameters. The theory explains why the ripple frequency decreases over the course of an event (intra-ripple frequency accommodation, IFA). Furthermore, numerical analysis shows that an alternative inhibitory ripple model, based on a transient ringing effect in a weakly coupled interneuron population, cannot account for IFA under biologically realistic assumptions. IFA can thus guide model selection and provides new support for strong, delayed inhibitory coupling as a mechanism for ripple generation.
Finally, a recently proposed mesoscopic integration scheme is tested as a potential tool for the efficient numerical simulation of ripple dynamics in networks of finite size. This approach requires a switch of the noise model, from noisy input to stochastic output spiking mediated by a hazard function. It is demonstrated how the choice of a hazard function affects the linear response of single neurons and therefore the ripple dynamics in a recurrent interneuron network.

Identiferoai:union.ndltd.org:HUMBOLT/oai:edoc.hu-berlin.de:18452/27389
Date06 June 2023
CreatorsSchieferstein, Natalie
ContributorsKempter, Richard, Lindner, Benjamin, Brunel, Nicolas
PublisherHumboldt-Universität zu Berlin
Source SetsHumboldt University of Berlin
LanguageEnglish
Detected LanguageEnglish
TypedoctoralThesis, doc-type:doctoralThesis
Formatapplication/pdf
Rights(CC BY-NC-SA 4.0) Attribution-NonCommercial-ShareAlike 4.0 International, https://creativecommons.org/licenses/by-nc-sa/4.0/

Page generated in 0.0033 seconds