Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Inference of topology and the nature of synapses, and the flow of information in neuronal networks

Texto completo
Autor(es):
Borges, F. S. [1, 2] ; Lameu, E. L. [3] ; Iarosz, K. C. [1, 4] ; Protachevicz, P. R. [5] ; Caldas, I. L. [1] ; Viana, R. L. [6] ; Macau, E. E. N. [7] ; Batista, A. M. [1, 4, 8] ; Baptista, M. S. [4]
Número total de Autores: 9
Afiliação do(s) autor(es):
[1] Univ Sao Paulo, Phys Inst, BR-05508090 Sao Paulo, SP - Brazil
[2] Fed Univ ABC, Ctr Math Computat & Cognit, BR-09606045 Sao Bernardo Do Campo, SP - Brazil
[3] Natl Inst Space Res, BR-12227010 Sao Jose Dos Campos, SP - Brazil
[4] Univ Aberdeen, SUPA, Inst Complex Syst & Math Biol, Aberdeen AB24 3FX - Scotland
[5] Univ Estadual Ponta Grossa, Postgrad Sci, BR-84030900 Ponta Grossa, PR - Brazil
[6] Univ Fed Parana, Phys Dept, BR-81531980 Curitiba, Parana - Brazil
[7] Univ Fed Sao Paulo, BR-12231280 Sao Jose Dos Campos, SP - Brazil
[8] Univ Estadual Ponta Grossa, Math & Stat Dept, BR-84030900 Ponta Grossa, PR - Brazil
Número total de Afiliações: 8
Tipo de documento: Artigo Científico
Fonte: Physical Review E; v. 97, n. 2 FEB 7 2018.
Citações Web of Science: 1
Resumo

The characterization of neuronal connectivity is one of the most important matters in neuroscience. In this work, we show that a recently proposed informational quantity, the causal mutual information, employed with an appropriate methodology, can be used not only to correctly infer the direction of the underlying physical synapses, but also to identify their excitatory or inhibitory nature, considering easy to handle and measure bivariate time series. The success of our approach relies on a surprising property found in neuronal networks by which nonadjacent neurons do ``understand{''} each other (positive mutual information), however, this exchange of information is not capable of causing effect (zero transfer entropy). Remarkably, inhibitory connections, responsible for enhancing synchronization, transfer more information than excitatory connections, known to enhance entropy in the network. We also demonstrate that our methodology can be used to correctly infer directionality of synapses even in the presence of dynamic and observational Gaussian noise, and is also successful in providing the effective directionality of intermodular connectivity, when only mean fields can be measured. (AU)

Processo FAPESP: 15/07311-7 - Comportamento dinâmico de redes neurais
Beneficiário:Kelly Cristiane Iarosz
Linha de fomento: Bolsas no Brasil - Pós-Doutorado
Processo FAPESP: 11/19296-1 - Dinâmica não linear
Beneficiário:Iberê Luiz Caldas
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 16/23398-8 - Plasticidade sináptica em redes neuronais com atraso
Beneficiário:Ewandson Luiz Lameu
Linha de fomento: Bolsas no Brasil - Pós-Doutorado
Processo FAPESP: 16/16148-5 - Comportamento síncrono e plasticidade sináptica em redes complexas
Beneficiário:Kelly Cristiane Iarosz
Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
Processo FAPESP: 15/50122-0 - Fenômenos dinâmicos em redes complexas: fundamentos e aplicações
Beneficiário:Elbert Einstein Nehrer Macau
Linha de fomento: Auxílio à Pesquisa - Temático