Simplification of the data-driven hippocampal CA1 microcircuit

Biyofiziksel olarak gerçekçi nöron modelleri, veriye dayalı yaklaşımları sayesinde ortaya çıkan nöral ve devre davranışları sergilemektedirler. Bu modeller, dendritleri temsil etmek için birden fazla bölme içerir, bu da dendrozomatik ve somatodendritik sinyaller sırasında yüksek doğruluk elde edilmesini sağlar. 170 bölme ve yaklaşık 1000 sinaps içeren ortalama bir piramidal nöron modeli, hesaplama süresi ve bellek yükünde önemli bir maliyet oluşturur. Çok sayıda hücre düşünüldüğünde, sıradan bir bilgisayar bu tür devreleri simüle edemez hale gelir. Nöron sadeleştirme algoritmalarındaki son gelişmelerle, nöron gövdesindeki voltaj sapma zamanlamaları, uyarıcı ve inhibitör sinapsların soma'ya transfer empedansını koruyarak yakalanabilir. Basitleştirilmiş kortikal nöron modelleri ile 250 kata kadar daha hızlı simülasyon süresi yakalamakla birlikte yüksek bir atım senkronizasyonu skoru da elde edebileceği önceki çalışmalarda gösterilmiştir. Ancak, bu algoritma devre seviyesine henüz uyarlanmış değildir. Bu çalışma, "nöron azaltma (neuron_reduce)" algoritmasını çeşitli hipokampal morfolojilere uygulayarak genişletip, algoritmanın performansını hem tek hücreli hem de ağ düzeyinde simülasyonlarda göstermektedir. Doğrulamalar, somatik akım enjeksiyonu, Schaffer Kollaterallerini de içeren çeşitli minyatür post sinaptik aktivasyonları, ve harici nöronal innervasyon girişleri de dahil olmak üzere çeşitli deneyler ile test edilmiştir. Bu deneylerde ağların toplam nöron aktivasyon oranları, devrelerin atım arası aralıkları, raster dağılımları ve devre boyunca ortalama ateşleme oranları incelenmiştir. Bu yöntemlerle, başarılı ve başarısızlıkla yinelenen davranışlar incelenip, algoritmanın düşük seviyede atım senkronizasyonu gösterdiği nöron tipleri için de çeşitli optimizasyon teknikleri sunulmuştur.