DOI: https://doi.org/10.1038/s41586-024-07763-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39358519
تاريخ النشر: 2024-10-02
المؤلف: Philip K. Shiu وآخرون
الموضوع الرئيسي: أبحاث علم الأعصاب وفيزيولوجيا الحشرات
طرق
في هذا القسم، يصف المؤلفون نموذجًا حسابيًا يحاكي تنشيط الخلايا العصبية الحركية (MNs) في خرطوم ذبابة الفاكهة (Drosophila melanogaster) استجابةً لاكتشاف السكر. يتنبأ النموذج بأن تنشيط خلايا المستقبلات الذوقية الحسية للسكر (GRNs) يؤدي إلى تنشيط عدة MNs متورطة في التغذية، وبشكل خاص MNs 6 و8 و9 و11. ومن الجدير بالذكر أن MN9، الذي يتحكم في رفع الخرطوم، يظهر استجابة أقوى عندما يتم تنشيط GRNs السكرية بشكل أحادي على جانب واحد من الذبابة، مما يتماشى مع الملاحظات السلوكية لتمديد الخرطوم نحو مصادر الغذاء. تم تأكيد دقة النموذج من خلال اختبار تأثيرات عشوائية أوزان الاتصال التشابكي، والتي أضعفت بشكل كبير تنشيط MN9، مما يشير إلى أن تنبؤات النموذج تعتمد على الاتصال الفعلي للدائرة العصبية للذبابة.
يستكشف المؤلفون أيضًا الدوائر العصبية المعنية في بدء التغذية من خلال تحفيز حسابي لمجموعة متنوعة من الخلايا العصبية المستجيبة للسكر وإسكاتها لتقييم تأثيرها على معدلات إطلاق MN9. يحددون 47 خلية عصبية يُتوقع أن تكون مستجيبة للسكر وكافية لبدء التغذية، مع حاجة 14 من هذه الخلايا أيضًا لنشاط MN9. يتنبأ النموذج بنجاح بمشاركة الفئات العصبية المعروفة في سلوك التغذية، مع درجة عالية من الدقة في مطابقة النتائج التجريبية. بالإضافة إلى ذلك، يتم تطبيق النموذج للتحقيق في التفاعلات بين GRNs السكرية والمائية، مما يكشف عن مسارات عصبية مشتركة ومتميزة تساهم في سلوك التغذية. تؤكد النتائج على فائدة النموذج في توضيح التحولات الحسية الحركية المعقدة التي تكمن وراء التغذية في ذبابة الفاكهة.
نقاش
في هذا القسم، يناقش المؤلفون تنفيذ وتداعيات نموذج التكامل والتفريغ المتسرب (LIF) لتحليل الدوائر العصبية في دماغ ذبابة الفاكهة، وخاصة في سياق مجموعات بيانات الاتصال العصبي. يبرزون نهجين رئيسيين لنمذجة الاتصال العصبي: طرق نظرية الرسم البياني، التي تركز على تدفق المعلومات ولكن قد لا تتنبأ بدقة بمساهمات الخلايا العصبية في الدوائر، والشبكات العصبية العميقة، التي تتطلب معلمات وتعريفات مهام واسعة. بالمقابل، ينتج نموذج LIF الخاص بهم مخرجات بديهية تتعلق بمعدلات إطلاق الخلايا العصبية دون تدريب مسبق، مما يسمح باستكشاف تفاعلات الدوائر وتحديد الخلايا العصبية المعنية في سلوكيات محددة، مثل الحركة والبحث عن الطعام.
يعترف المؤلفون بالقيود في نموذجهم، وخاصة في الدوائر التي تتميز بتثبيط قاعدي واسع أو تعديل عصبي، مما قد يؤدي إلى تنبؤات غير دقيقة. يقدمون أدلة تجريبية تدعم متانة النموذج، حيث حققوا دقة بنسبة 91% عبر 164 تنبؤًا، على الرغم من أن هذه النسبة تنخفض إلى 84% عند استبعاد تجارب معينة. يتم الإشارة إلى افتراضات النموذج، مثل معاملة جميع الخلايا العصبية بشكل متطابق وتجاهل الديناميات المعقدة مثل الوصلات الفجوية والخلايا العصبية غير المتفجرة، كمجالات محتملة للتحسين. على الرغم من هذه القيود، يلتقط النموذج بشكل فعال التحولات الحسية الحركية في دماغ ذبابة الفاكهة، مما يشير إلى أن حتى الأطر الحسابية البسيطة يمكن أن تقدم رؤى هامة حول الوظيفة العصبية والسلوك.
القيود
ت stems القيود المفروضة على النمذجة الحسابية المقدمة في هذا البحث بشكل أساسي من التبسيطات التي تم إجراؤها بشأن أنواع الخلايا العصبية والديناميات. يصنف النموذج الخلايا العصبية بدقة على أنها مثيرة أو مثبطة، مما يمثل بشكل كافٍ الخلايا العصبية GABAergic و cholinergic ولكنه قد لا يلتقط تعقيدات أنواع الخلايا العصبية الأخرى، مثل الخلايا العصبية dopaminergic أو serotonergic. بالإضافة إلى ذلك، يتجاهل النموذج عوامل مهمة مثل الشكل العصبي، ديناميات المستقبلات، وتأثير الببتيدات العصبية والتعديل العصبي. يحد غياب الوصلات الفجوية في مجموعة بيانات المجهر الإلكتروني من دقة النموذج.
تظهر قيود أخرى كبيرة من افتراض معدل إطلاق قاعدي قدره 0 هرتز، مما يعني أن الاتصالات المثبطة للخلايا العصبية غير النشطة لا تمارس أي تأثير. يضعف هذا الافتراض موثوقية معدلات الإطلاق المطلقة المتوقعة من قبل النموذج. وبالتالي، بينما قد لا يوفر النموذج معدلات إطلاق دقيقة، فإنه لا يزال مفيدًا في تفسير الاتجاهات العامة في معدلات الإطلاق عبر ظروف مختلفة، مثل الانخفاض الملحوظ في إطلاق MN9 استجابةً لزيادة التحفيز المرير.
DOI: https://doi.org/10.1038/s41586-024-07763-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39358519
Publication Date: 2024-10-02
Author(s): Philip K. Shiu et al.
Primary Topic: Neurobiology and Insect Physiology Research
Methods
In this section, the authors describe a computational model that simulates the activation of motor neurons (MNs) in Drosophila melanogaster’s proboscis in response to sugar detection. The model predicts that activation of sugar-sensing gustatory receptor neurons (GRNs) leads to the activation of several MNs involved in feeding, specifically MNs 6, 8, 9, and 11. Notably, MN9, which controls rostrum lifting, shows a stronger response when sugar GRNs are activated unilaterally on one side of the fly, aligning with behavioral observations of proboscis extension towards food sources. The model’s accuracy is confirmed by testing the effects of randomizing synaptic connectivity weights, which significantly impaired MN9 activation, indicating that the model’s predictions rely on the actual connectivity of the fly’s neural circuitry.
The authors further explore the neuronal circuits involved in feeding initiation by computationally stimulating various sugar-responsive neurons and silencing them to assess their impact on MN9 firing rates. They identify 47 neurons predicted to be sugar-responsive and sufficient for feeding initiation, with 14 of these also required for MN9 activity. The model successfully predicts the involvement of known neural classes in feeding behavior, with a high degree of accuracy in matching experimental results. Additionally, the model is applied to investigate the interactions between sugar and water GRNs, revealing shared and distinct neuronal pathways that contribute to feeding behavior. The findings underscore the model’s utility in elucidating the complex sensorimotor transformations underlying feeding in Drosophila.
Discussion
In this section, the authors discuss the implementation and implications of a leaky integrate-and-fire (LIF) model for analyzing neural circuits in the Drosophila brain, particularly in the context of connectome datasets. They highlight two primary approaches for modeling neural connectivity: graph theoretical methods, which focus on information flow but may not accurately predict neuron contributions to circuits, and deep neural networks, which require extensive parameters and task definitions. In contrast, their LIF model generates intuitive outputs related to neuronal spiking rates without prior training, allowing for the exploration of circuit interactions and the identification of neurons involved in specific behaviors, such as locomotion and foraging.
The authors acknowledge limitations in their model, particularly in circuits characterized by extensive basal inhibition or neuromodulation, which may lead to inaccurate predictions. They provide empirical evidence supporting the model’s robustness, achieving 91% accuracy across 164 predictions, although this drops to 84% when excluding certain experiments. The model’s assumptions, such as treating all neurons identically and ignoring complex dynamics like gap junctions and non-spiking neurons, are noted as potential areas for refinement. Despite these limitations, the model effectively captures sensorimotor transformations in the Drosophila brain, suggesting that even simple computational frameworks can yield significant insights into neural function and behavior.
Limitations
The limitations of the computational modeling presented in this research primarily stem from the simplifications made regarding neuronal types and dynamics. The model categorizes neurons strictly as either excitatory or inhibitory, which adequately represents GABAergic and cholinergic neurons but may inadequately capture the complexities of other neuron types, such as dopaminergic or serotonergic neurons. Additionally, the model neglects important factors such as neural morphology, receptor dynamics, and the influence of neuropeptides and neuromodulation. The absence of gap junctions in the electron microscopy dataset further constrains the model’s accuracy.
Another significant limitation arises from the assumption of a basal firing rate of 0 Hz, which implies that inhibitory connections to inactive neurons exert no influence. This assumption compromises the reliability of the absolute firing rates predicted by the model. Consequently, while the model may not provide precise firing rates, it is still useful for interpreting general trends in firing rates across varying conditions, such as the observed decrease in MN9 firing in response to increased bitter stimulation.