Geometrische Stabilität neuronaler Populationscodes: Regionale Variation, Verhaltensrelevanz und Schaltkreisabhängigkeit

Zusammenfassung

Aktuelle Modelle der Repräsentationszuverlässigkeit in neuronalen Populationen konzentrieren sich auf zeitliche Stabilität: ob Populationszentroide über Sitzungen und Tage hinweg erhalten bleiben. Dieser Ansatz lässt eine grundlegende Frage unbeantwortet: Wie zuverlässig reproduziert sich die paarweise Distanzstruktur zwischen Stimuli über unabhängige Beobachtungen innerhalb einer Sitzung hinweg? Wir argumentieren, dass diese Eigenschaft, die geometrische Stabilität, eine unabhängige Achse der Repräsentationsanalyse darstellt, die von bestehenden Rahmenwerken nicht erfasst wird. Wir formalisieren geometrische Stabilität als die Spearman-Rangkorrelation zwischen Split-Half-Repräsentationsunähnlichkeitsmatrizen (Shesha) und zeigen, dass sie empirisch sowohl von zeitlicher Stabilität als auch von Dekodiergenauigkeit dissoziierbar ist. Über 229 Bereichs-Sitzungs-Beobachtungen hinweg, die 68 Hirnregionen in einer visuellen Diskriminationsaufgabe umfassen (Steinmetz et al. 2019), sagt geometrische Stabilität die trialweise neuronale-verhaltensbezogene Kopplung voraus (ρ= 0,18, p = 0,005), während die Zentroidverschiebung dies nicht tut (ρ= 0,002, p = 0,976). Die regionale Hierarchie, wobei das Striatum am stabilsten (S = 0,44) und der Hippocampus am wenigsten stabil ist (S = 0,19), verläuft grob entgegengesetzt zur Hierarchie der zeitlichen Stabilität. Richtungskonsistente olfaktorische Daten (Bolding & Franks 2018) motivieren ein Attraktornetzwerkmodell, bei dem reziproke exzitatorische Kopplung die Split-Half-RDM-Konsistenz durch Vervollständigung von Stimulusmustern aus spärlichem feedforward-Input verstärkt (ρ= +0,64, p = 0,010), und bieten so eine Erklärung auf Schaltkreisebene dafür, wie geometrische Stabilität entsteht. Diese Ergebnisse etablieren geometrische Stabilität als funktionell relevante, schaltkreisabhängige Eigenschaft neuronaler Populationskodierungen, orthogonal zu zeitlichen Driftmaßen und komplementär zu aktuellen Beschreibungen, wie rekurrente Konnektivität die Repräsentationsstabilität mit sequenziellen Dynamiken in hippocampalen Schaltkreisen austariert.

English

Current models of representational reliability in neural populations focus on temporal stability: whether population centroids are preserved across sessions and days. This framing leaves a fundamental question unanswered: how reliably does the pairwise distance structure among stimuli reproduce across independent observations within a session? We argue that this property, geometric stability, constitutes an independent axis of representational analysis that existing frameworks do not capture. We formalize geometric stability as the Spearman rank correlation between split-half representational dissimilarity matrices (Shesha) and show that it is empirically dissociable from both temporal stability and decoding accuracy. Across 229 area-session observations spanning 68 brain regions in a visual discrimination task (Steinmetz et al. 2019), geometric stability predicts trial-by-trial neural-behavioral coupling (ρ= 0.18, p = 0.005) while centroid drift does not (ρ= 0.002, p = 0.976). The regional hierarchy, with striatum most stable (S = 0.44) and hippocampus least (S = 0.19), runs roughly opposite to the temporal stability hierarchy. Directionally consistent olfactory data (Bolding \& Franks 2018) motivate an attractor network model in which recurrent excitatory coupling amplifies split-half RDM consistency by completing stimulus patterns from sparse feedforward input (ρ= +0.64, p = 0.010), providing a circuit-level account of how geometric stability emerges. These results establish geometric stability as a functionally relevant, circuit-dependent property of neural population codes, orthogonal to temporal drift measures and complementary to recent accounts of how recurrent connectivity balances representational stability with sequential dynamics in hippocampal circuits.