Understanding information encoding in single neuron pairs with functional modeling

Abstract

Entendre els mecanismes que dirigeixen l’activitat neuronal és essencial per estudiar funcionalitats més avancades del cervell. Aquesta tesi, fonamentada en la neurociència bottom-up, indaga en aquest fenomen a través de cultivar neurones en matrius de microelèctrodes de semiconductors d’òxid de metall complementaris (CMOS MEA) per enregistrar la seva activitat electrofisiològica. S’ha desenvolupat un nou dataset per tal d’explorar les dinàmiques neuronals, el que ha permès entrenar models d’aprenentatge profund (deep learning) que repliquen el comportament de les neurones aïllades. Basant-se en els coneixements de la publicació "Single Cortical Neurons as Deep Artificial Neural Networks", aquest treball n’amplia l’abast, modelant dades biològiques utilitzant una arquitectura de transformer per sèries temporals que respongui preguntes claus en el processament d’informació neuronal, incloent la distribució de la codificació en les spikes neuronals, l’abast temporal de la memòria de les neurones i els patrons governant aquest comportament. A través de la implementació i avaluació de diferents configuracions de l’arquitectura, aquest estudi aporta una visió justificada amb dades de com funcionen les neurones. Els resultats remarquen el potencial dels models funcionals per les dinàmiques neuronals, connecten sistemes d’intel·ligència biològica i artificial i insinuen on es podrien trobar les respostes a aquestes preguntes.

Entender los mecanismos que dirigen la actividad neuronal es esencial para estudiar funcionalidades más avanzadas del cerebro. Esta tesis, fundamentada en la neurociencia bottom-up, indaga en este fenómeno a través del cultivo de neuronas en matrices de microelectrodos de semiconductores de óxido metálico complementarios (CMOS MEA) para registrar su actividad electrofisiológica. Se ha desarrollado un nuevo dataset con el objetivo de explorar las dinámicas neuronales, lo que ha permitido entrenar modelos de aprendizaje profundo (deep learning) que replican el comportamiento de las neuronas aisladas. Basándose en los conocimientos de la publicación "Single Cortical Neurons as Deep Artificial Neural Networks", este trabajo amplía su alcance, modelando datos biológicos mediante una arquitectura transformer para series temporales que responda a preguntas clave en el procesamiento de información neuronal, incluyendo la distribución de la codificación en los spikes neuronales, el alcance temporal de la memoria de las neuronas y los patrones que gobiernan este comportamiento. A través de la implementación y evaluación de diferentes configuraciones de la arquitectura, este estudio aporta una visión fundamentada con datos sobre cómo funcionan las neuronas. Los resultados destacan el potencial de los modelos funcionales para las dinámicas neuronales, conectan sistemas de inteligencia biológica y artificial, y sugieren dónde podrían encontrarse las respuestas a estas preguntas.

Understanding the mechanisms underlying neuronal spiking activity is essential to study higher-level brain functionalities. This thesis, rooted in bottom-up neuroscience, investigates this phenomenon by culturing neurons on CMOS microelectrode array (MEA) chips to record their electrophysiological activity. A novel dataset was curated to rigorously explore neuronal dynamics and it enabled the training of deep learning models that aimed to replicate single-neuron activity. Building on insights from the paper "Single Cortical Neurons as Deep Artificial Neural Networks", this work extends the scope by modeling biological data using the time-series transformer architecture to address key questions in neural information processing, including the distribution and encoding of information within neuronal spikes, the temporal extent of neuronal memory, and the patterns underlying spiking behavior. Through the implementation and testing of multiple transformer configurations, this study provides a data - driven perspective on how neurons function. The results underscore the potential of functional modelling for neuronal dynamics, bridge biological and artificial intelligence systems and insinuate where the answers to these questions might lie.