Modeling dynamics on a canonical neural manifold in C. elegans

Abstract

Wie Neuronen miteinander interagieren um Verhalten zu erzeugen, stellt eine zentrale Frage in der Neurowissenschaft dar. Die Dynamiken dieser interagierenden Neuronen definieren die neuronalen Berechnungen, die der Verarbeitung sensorischer Informationen, der Entscheidungsfindung und der Erzeugung von Motorik zugrunde liegen. Jüngste Fortschritte in der Modellierung dynamischer Systeme haben beobachtete neuronale Aktivität als zeitliche Entwicklung von Zuständen innerhalb eines neuronalen Raumes, der durch dynamische Gesetze geregelt wird, formalisiert. Bedeutende Fortschritte wurden erzielt, indem angenommen wurde, dass diese Gesetze autonomer Natur sind, was bedeutet, dass sich neuronale Zustände deterministisch entwickeln. Solche Modelle bieten jedoch möglicherweise nicht genügend biologische Interpretierbarkeit, da sie unvorhersehbare externe Einflüsse nicht erfassen. Wir schlagen ein kontrolliertes, zerlegtes lineares dynamisches System cdLDS vor, eine Erweiterung des autonomen linearen dynamischen Systems dLDS, indem Eingaben integriert werden, die das System steuern. Wir wenden cdLDS auf eine neuronale Mannigfaltigkeit, eine niederdimensionale dynamische Struktur, von 23 C. elegans-Individuen an und zeigen, dass es erfolgreich intrinsische neuronale Dynamiken von Steuerungssignalen entflechtet und Einblicke in Störungen der neuronalen Dynamik bietet. Dieses Framework bildet eine Grundlage zur Identifizierung der neuronalen Korrelate von Steuerungssignalen und zum Verständnis der Auswirkungen von Steuerungsmechanismen auf die neuronale Dynamiken.

Understanding how neurons interact with each other to produce behavior is a key challenge in neuroscience. The dynamics of these interacting neurons define the computations that underlie the processing of sensory information, decision making, and the generation of motor output. Recent advances in dynamical system modeling have formalized observed neural activity as the temporal evolution of states within a neural state space governed by dynamical laws. Significant progress has been achieved by assuming these laws to be of autonomous nature, meaning that neural states evolve deterministically. However, such models may not provide sufficient biological interpretability as they fail to capture unpredictable external forces. Here, we propose a controlled decomposed linear dynamical system (cdLDS), an extension of the autonomous dynamical system model dLDS, by incorporating inputs that control the system. We apply cdLDS to a neural manifold, a low-dimensional dynamical structure, from 23 C. elegans individuals and show that it successfully disentangles intrinsic neural dynamics from control signals, offering insight into perturbations of neural dynamics. This framework provides a foundation for identifying the neural correlates of control signals and for understanding the impact of control mechanisms on neural dynamics.