Structure-function relationship in hierarchical model of brain networks [Elektronische Ressource] / von Lucia Zemanová

Lucia Zemanova

Sujets

• Biologie

Informations

• Publié par: universitat_potsdam
• Publié le: 01 janvier 2008
• Nombre de lectures: 18
• Langue: English
• Poids de l'ouvrage: 2 Mo

Extrait

Aus dem Institut fur¨ Physik der Universitat¨ Potsdam
STRUCTURE-FUNCTION RELATIONSHIP
IN HIERARCHICAL MODEL
OF BRAIN NETWORKS
Dissertation
zur Erlangung des akademischen Grades
“doctor rerum naturalium”
(Dr. rer. nat.)
in der Wissenschaftsdisziplin Nichtlineare Dynamik
eingereicht an der
Mathematisch–Naturwissenschaftlichen Fakultat¨
der Universitat¨ Potsdam
von
´Lucia Zemanova
Potsdam, den 1. November 2007This work is licensed under a Creative Commons License:
Attribution - Noncommercial - Share Alike 3.0 Unported
To view a copy of this license visit
http://creativecommons.org/licenses/by-nc-sa/3.0/










































Online published at the
Publikationsserver der Universität Potsdam:
http://opus.kobv.de/ubp/volltexte/2008/1840/
urn:nbn:de:kobv:517-opus-18400
[http://nbn-resolving.de/urn:nbn:de:kobv:517-opus-18400] Abstract
The mammalian brain is, with its numerous neural elements and structured complex connectiv
ity, one of the most complex systems in nature. Recently, large scale corticocorticalv
ities, both structural and functional, have received a great deal of research attention, especially
using the approach of complex networks. Understanding the relationship between structural
and functional connectivities is of crucial importance in neuroscience. Here, we try to shed
some light on this relationship by studying synchronization dynamics in a realistic anatomical
network of cat cortical connectivity. We model the nodes (cortical areas) by a subnetwork of in
teracting excitable neurons (multilevel model) and by a neural mass model (population model).
With weak couplings, the multilevel model displays biologically plausible dynamics and the
synchronization patterns reveal a hierarchical cluster organization in the network structure. We
can identify a group of brain areas involved in multifunctional tasks by comparing the dynami
cal clusters to the topological communities of the network. The relationship between structural
connectivity and functional connectivity at different levels of synchronization is explored. With
strong couplings of multilevel model and by using neural mass model, the dynamics are charac
terized by well defined oscillations. The synchronization patterns are mainly determined by the
node intensity (total input strengths of a node); the detailed network topology is of secondary
importance. The structure of the dynamical clusters significantly differs from the anatomical
clusters. The improved multilevel model, e.g., with biologically more relevant chemical cou
pling and detailed intra areal communication, exhibits similar dynamical patterns in the two
regimes. Thus, the study of synchronization in a multilevel complex network model of cortex
can provide insights into the relationship between network topology and functional organization
of complex brain networks.
iiiZusammenfassung
Das Gehirn von Saugetieren¨ stellt mit seinen zahlreichen, hochgradig vernetzten Neuronen
ein naturliches¨ Netzwerk von immenser Komplexitat¨ dar. In der jungsten¨ Vergangenheit sind
die großflachige¨ kortikale Konnektivitaten,¨ sowohl unter strukturellen wie auch funktionalen
Gesichtspunkten, in den Fokus der Forschung getreten. Die Verwendung von komplexe Netz
werke spielt hierbei eine entscheidende Rolle. Es ist fur¨ die Neurowissenschaften von tragen
der Bedeutung das Verhaltnis¨ von struktureller und funktionaler Konnektivitat¨ zu verstehen. In
der vorliegenden Dissertation versuchen wir, dieses Verhaltnis¨ durch Untersuchung der Syn
chronisationsdynamik anhand eines realistischen Modells der Konnektivitat¨ im Kortex einer
Katze naher¨ zu beleuchten. Wir modellieren die Knoten (Kortexareale) durch ein Subnetz
werk interagierender, erregbarer Neuronen (multilevel model) und durch ein Modell von Neu
ronenensembles (population model). Bei schwacher Kopplung zeigt das multilevel model eine
biologisch plausible Dynamik und die Synchronisationsmuster lassen eine hierarchische Or-
ganisation der Netzwerkstruktur erkennen. Indem wir die dynamischen Cluster mit den topo
logischen Einheiten des Netzwerks vergleichen, sind wir in der Lage die Hirnareale, die an
der Bewaltigung¨ komplexer Aufgaben beteiligt sind, zu identifizieren. Desweiteren wird das
Verhaltnis¨ von struktureller und funktionaler Konnektivitat¨ auf verschiedenen Stufen der Syn
¨chronisation naher untersucht. Bei starker Kopplung im multilevel model und unter Verwendung
des Ensemblemodells weist die Dynamik klare Oszillationen auf. Die Synchronisationsmuster
werden hauptsachlich¨ durch die Eingangsstark¨ e an den einzelnen Knoten bestimmt, wahrend¨
die genaue Netzwerktopologie zweitrangig ist. Die Struktur der dynamischen Cluster unter-
scheidet sich signifikant von der der anatomischen Cluster. Eine Erweiterung des Modells auf
andere biologisch relevante Faktoren, wie der exakten Modellierung chemischer Synapsen und
der interarealen Kommunikation, bestatigt¨ die vorherigen Ergebnisse. Die Untersuchung der
Synchronisation in einem multilevel model des Kortex ermoglicht¨ daher tiefere Einblicke in
die Zusammenhange¨ zwischen Netzwerktopologie und funktionaler Organisation in komplexen
Hirn Netzwerken.
ivList of Abbreviations and Annotations
AC anatomical connectivity
FC functional connectivity
EC effectivevity
V visual system
A auditory system
SM somato motor system
FL fronto limbic system
RN random network
SWN small world network
SFN scale free network
EEG electroencephalography/electroencephalogram
MEG magnetoencephalography
fMRI functional magnetic resonance imaging
DTI diffusor tensor imaging
TI tracer injections
LFP local field potential
FHN FitzHugh Nagumo model
ML Morris Lecar model
NMM Neural mass model
AP action potential
vvi
x, V potential
x¯ mean field signal of a single area
X mean field signal of the whole network
A(i; j) adjacency matrix
W(i; j) weighted
k degree of node ii
S intensity of node ii
w reciprocal strengthIJ
MI matching index
H Hamming distance
CM anatomical matrix of cat cortex
LM local matrix of connections within a single area
AM anatomical network
FM functional network
C dynamical cluster
SC effective cluster
r(i; j) Pearson correlation matrix
R average coefficient of r(i; j)
r correlation between local mean field x¯ and global mean field XX
r dynamical and effective clustersC
A CQ modularity of M
CQ of r(i; j)
4 CQ modularity of M for partition V, A, SM, FL systems
FQ of r(i; j) for V, A, SM, FL
CP0 non connections inM
CP1 uni directional connections inM
CP2 reciprocal connections in MContents
1 Introduction 1
2 Connectivity of brain networks 5
2.1 Types of neural connectivity . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Basics of graph theory analysis . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Anatomical connectivity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.1 Connectome . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.2 Data extraction and databases . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Functional connectivity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Summary of the chapter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 Network topology of a large scale model 13
3.1 Cat cortical network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Hierarchical model — network of networks . . . . . . . . . . . . . . . . . . . 15
3.2.1 Global cortical network . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2 Local neuronal network . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Summary of the chapter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4 Modeling the global dynamics of the neuronal population 19
4.1 Single neuron model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.1.1 Model of a single neuron . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.1.1.1 FitzHugh Nagumo model . . . . . . . . . . . . . . . . . . . 21
4.1.1.2 Morris Lecar model . . . . . . . . . . . . . . . . . . . . . . 21
4.1.2 Factors influencing dynamics of a neuron . . . . . . . . . . . . . . . . 23
4.1.2.1 Role of noise in neural system . . . . . . . . . . . . . . . . . 23
4.1.2.2 Synaptic coupling between cortical neurons . . . . . . . . . 24
4.1.2.3 Other neuronal properties . . . . . . . . . . . . . . . . . . . 26
4.2 Neural mass model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3 Summary of the chapter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5 Hierarchical model of cat cortex 29
5.1 Network of electrically coupled FHN neurons . . . . . . . . . . . . . . . . . . 29
5.1.1 General dynamics of the model . . . . . . . . . . . . . . . . . . . . . 29
5.1.2 Revealing the network hierarchy . . . . . . . . . . . . . . . . . . . . . 34
5