TN
Torbjørn Ness
Author with expertise in Neural Interface Technology
Achievements
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
7
(86% Open Access)
Cited by:
7
h-index:
15
/
i10-index:
15
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Estimation of neural network model parameters from local field potentials (LFPs)

Jan-Eirik Skaar et al.Mar 1, 2019
Abstract Most modeling in systems neuroscience has been descriptive where neural representations, that is, ‘receptive fields’, have been found by statistically correlating neural activity to sensory input. In the traditional physics approach to modelling, hypotheses are represented by mechanistic models based on the underlying building blocks of the system, and candidate models are validated by comparing with experiments. Until now validation of mechanistic cortical network models has been based on comparison with neuronal spikes, found from the high-frequency part of extracellular electrical potentials. In this computational study we investigated to what extent the low-frequency part of the signal, the local field potential (LFP), can be used to infer properties of the neuronal network. In particular, we asked the question whether the LFP can be used to accurately estimate synaptic connection weights in the underlying network. We considered the thoroughly analysed Brunel network comprising an excitatory and an inhibitory population of recurrently connected integrate-and-fire (LIF) neurons. This model exhibits a high diversity of spiking network dynamics depending on the values of only three synaptic weight parameters. The LFP generated by the network was computed using a hybrid scheme where spikes computed from the point-neuron network were replayed on biophysically detailed multicompartmental neurons. We assessed how accurately the three model parameters could be estimated from power spectra of stationary ‘background’ LFP signals by application of convolutional neural nets (CNNs). All network parameters could be very accurately estimated, suggesting that LFPs indeed can be used for network model validation. Significance statement Most of what we have learned about brain networks in vivo have come from the measurement of spikes (action potentials) recorded by extracellular electrodes. The low-frequency part of these signals, the local field potential (LFP), contains unique information about how dendrites in neuronal populations integrate synaptic inputs, but has so far played a lesser role. To investigate whether the LFP can be used to validate network models, we computed LFP signals for a recurrent network model (the Brunel network) for which the ground-truth parameters are known. By application of convolutional neural nets (CNNs) we found that the synaptic weights indeed could be accurately estimated from ‘background’ LFP signals, suggesting a future key role for LFP in development of network models.
3

Brain signal predictions from multi-scale networks using a linearized framework

Espen Hagen et al.Mar 2, 2022
Abstract Simulations of neural activity at different levels of detail are ubiquitous in modern neurosciences, aiding the interpretation of experimental data and underlying neural mechanisms at the level of cells and circuits. Extracellular measurements of brain signals reflecting transmembrane currents throughout the neural tissue remain commonplace. The lower frequencies (≲ 300Hz) of measured signals generally stem from synaptic activity driven by recurrent interactions among neural populations and computational models should also incorporate accurate predictions of such signals. Due to limited computational resources, large-scale neuronal network models (≳ 10 6 neurons or so) often require reducing the level of biophysical detail and account mainly for times of action potentials (‘spikes’) or spike rates. Corresponding extracellular signal predictions have thus poorly accounted for their biophysical origin. Here we propose a computational framework for predicting spatiotemporal filter kernels for such extracellular signals stemming from synaptic activity, accounting for the biophysics of neurons, populations, and recurrent connections. Signals are obtained by convolving population spike rates by appropriate kernels for each connection pathway and summing the contributions. Our main results are that kernels derived via linearized synapse and membrane dynamics, distributions of cells, conduction delay, and volume conductor model allow for accurately capturing the spatiotemporal dynamics of ground truth extracellular signals from conductance-based multicompartment neuron networks. One particular observation is that changes in the effective membrane time constants caused by persistent synapse activation must be accounted for. The work also constitutes a major advance in computational efficacy of accurate, biophysics-based signal predictions from large-scale spike and rate-based neuron network models drastically reducing signal prediction times compared to biophysically detailed network models. This work also provides insight into how experimentally recorded low-frequency extracellular signals of neuronal activity may be approximately linearly dependent on spiking activity. A new software tool LFPykernels serves as a reference implementation of the framework. Author summary Understanding the brain’s function and activity in healthy and pathological states across spatial scales and times spanning entire lives is one of humanity’s great undertakings. In experimental and clinical work probing the brain’s activity, a variety of electric and magnetic measurement techniques are routinely applied. However interpreting the extracellularly measured signals remains arduous due to multiple factors, mainly the large number of neurons contributing to the signals and complex interactions occurring in recurrently connected neuronal circuits. To understand how neurons give rise to such signals, mechanistic modeling combined with forward models derived using volume conductor theory has proven to be successful, but this approach currently does not scale to the systems level (encompassing millions of neurons or more) where simplified or abstract neuron representations typically are used. Motivated by experimental findings implying approximately linear relationships between times of neuronal action potentials and extracellular population signals, we provide a biophysics-based method for computing causal filters relating spikes and extracellular signals that can be applied with spike times or rates of large-scale neuronal network models for predictions of population signals without relying on ad hoc approximations.
1

Interplay of CaHVA and Ca2+-activated K+channels affecting firing rate in perineuronal net disruption

Kine Hanssen et al.Jun 5, 2023
Perineuronal nets (PNNs) are extracellular matrix structures consisting of proteoglycans crosslinked to hyaluronan. They wrap around subgroups of individual neurons in the brain, primarily parvalbumin positive inhibitory neurons. The nets have been found to affect conductances and activation curves of certain ion channels, including Ca 2+ -activated K + and high-voltage-activated Ca 2+ channels. We studied how PNN related parameters affected the firing rate of one-compartment neuron models. We found that the direct effect of the CaHVA current on firing rate was small, while it had a much larger indirect effect on firing rate through initiation of the SK current. Upregulation of the SK conductance similarly had a pronounced effect on the firing rate. The SK currents therefore acted as the main determinant of firing rate out of these two mechanisms. We shifted the CaHVA channel activation by 14.5 mV and increased the SK conductance by a factor of 3.337, consistent with experimental findings on PNN breakdown in the literature. We studied this in nine different models and found a reduction in firing rate in some, but not all, of these models.
0

Multitask Learning of Biophysically-Detailed Neuron Models

Jonas Verhellen et al.Jan 1, 2023
The human brain operates at multiple levels, from molecules to circuits, and understanding these complex processes requires integrated research efforts. Simulating biophysically-detailed neuron models is a computationally expensive but effective method for studying local neural circuits. Recent innovations have shown that artificial neural networks (ANNs) can accurately predict the behaviour of these detailed models in terms of spikes, electrical potentials, and optical readouts. While these methods have the potential to accelerate large network simulations by several orders of magnitude compared to conventional differential equation based modelling, they currently only predict voltage outputs for the soma or a select few neuron compartments. Our novel approach, based on enhanced state-of-the-art architectures for multitask learning (MTL), allows for the simultaneous prediction of membrane potentials in each compartment of a neuron model, at a speed of up to two orders of magnitude faster than classical simulation methods. By predicting all membrane potentials together, our approach not only allows for comparison of model output with a wider range of experimental recordings (patch-electrode, voltage-sensitive dye imaging), it also provides the first stepping stone towards predicting local field potentials (LFPs), electroencephalogram (EEG) signals, and magnetoencephalography (MEG) signals from ANN-based simulations. It further presents a challenging benchmark for MTL architectures due to the large amount of data involved, the presence of correlations between neighbouring compartments, and the non-Gaussian distribution of membrane potentials.
195

Ultra-high density electrodes improve detection, yield, and cell type specificity of brain recordings

Zhiwen Ye et al.Aug 24, 2023
To study the neural basis of behavior, we require methods to sensitively and accurately measure neural activity at single neuron and single spike resolution. Extracellular electrophysiology is a principal method for achieving this, but it has biases in the neurons it detects and it imperfectly resolves their action potentials. To overcome these limitations, we developed a silicon probe with significantly smaller and denser recording sites than previous designs, called Neuropixels Ultra (NP Ultra). This device measures neuronal activity at ultra-high densities (>1300 sites per mm, 10 times higher than previous probes), with 6 µm center-to-center spacing and low noise. This device effectively comprises an implantable voltage-sensing camera that captures a planar image of a neuron's electrical field. We introduce a new spike sorting algorithm optimized for these probes and use it to find that the yield of visually-responsive neurons in recordings from mouse visual cortex improves ∼3-fold. Recordings across multiple brain regions and four species revealed a subset of unexpectedly small extracellular action potentials not previously reported. Further experiments determined that, in visual cortex, these do not correspond to major subclasses of interneurons and instead likely reflect recordings from axons. Finally, using ground-truth identification of cortical inhibitory cell types with optotagging, we found that cell type was discriminable with approximately 75% success among three types, a significant improvement over lower-resolution recordings. NP Ultra improves spike sorting performance, sampling bias, and cell type classification.
12

Imaging through Windansee electrode arrays reveals a small fraction of local neurons following surface MUA

Martin Thunemann et al.Sep 3, 2022
Abstract Prior studies have shown that neuronal spikes can be recorded with microelectrode arrays placed on the cortical surface. However, the etiology of these spikes remains unclear. Because the top cortical layer (layer 1) contains very few neuronal cell bodies, it has been proposed that these spikes originate from neurons with cell bodies in layer 2. To address this question, we combined two-photon calcium imaging with electrophysiological recordings from the cortical surface in awake mice using chronically implanted PEDOT:PSS electrode arrays on transparent parylene C substrate. Our electrode arrays (termed Wind an see) were integrated with cortical wind ows offering see -through optical access while also providing measurements of local field potentials (LFP) and multiunit activity (MUA) from the cortical surface. To enable longitudinal data acquisition, we have developed a mechanical solution for installation, connectorization, and protection of Wind an see devices aiming for an unhindered access for high numerical aperture microscope objectives and a lifetime of several months while worn by a mouse. Contrary to the common notion, our measurements revealed that only a small fraction of layer 2 neurons from the sampled pool (~13%) faithfully followed MUA recorded from the surface above the imaging field-of-view. Surprised by this result, we turned to computational modeling for an alternative explanation of the MUA signal. Using realistic modeling of neurons with back-propagating dendritic properties, we computed the extracellular action potential at the cortical surface due to firing of local cortical neurons and compared the result to that due to axonal inputs to layer 1. Assuming the literature values for the cell/axon density and firing rates, our modeling results show that surface MUA due to axonal inputs is over an order of magnitude larger than that due to firing of layer 2 pyramidal neurons. Thus, a combination of surface MUA recordings with two-photon calcium imaging can provide complementary information about the input to a cortical column and the local circuit response. Cortical layer I plays an important role in integration of a broad range of cortico-cortical, thalamocortical and neuromodulatory inputs. Therefore, detecting their activity as MUA while combining electrode recording with two-photon imaging using optically transparent surface electrode arrays would facilitate studies of the input/output relationship in cortical circuits, inform computational circuit models, and improve the accuracy of the next generation brain-machine interfaces.
1

A multimodal 3D neuro-microphysiological system with neurite-trapping microelectrodes

Beatriz Molina-Martínez et al.Apr 16, 2021
Abstract Three-dimensional cell technologies as pre-clinical models are emerging tools for mimicking the structural and functional complexity of the nervous system. The accurate exploration of phenotypes in engineered 3D neuronal cultures, however, demands morphological, molecular and especially functional measurements. Particularly crucial is measurement of electrical activity of individual neurons with millisecond resolution. Current techniques rely on customized electrophysiological recording set-ups, characterized by limited throughput and poor integration with other readout modalities. Here we describe a novel approach, using multiwell glass microfluidic microelectrode arrays, allowing non-invasive electrical recording from engineered 3D neural tissues. We demonstrate parallelized studies with reference compounds, calcium imaging and optogenetic stimulation. Additionally, we show how microplate compatibility allows automated handling and high-content analysis of human induced pluripotent stem cell–derived neurons. This microphysiological platform opens up new avenues for high-throughput studies on the functional, morphological and molecular details of neurological diseases and their potential treatment by therapeutic compounds.