Dina Obeid^{1,2}, Kenneth D. Miller^{1,3}
^{1}Center for Theoretical Neuroscience, Columbia University, New York, NY 10027
^{2}Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University, Cambridge, MA 02138
^{3}Department of Neuroscience, Columbia University, New York, NY 10027
Resumo: Este estudo apresenta um modelo de circuito cortical baseado na Rede Supralinear Estabilizada (SSN) para explicar interações centro-surround no córtex visual primário (V1). O modelo reproduz três fenômenos-chave: redução das correntes excitatórias e inibitórias durante supressão surround, supressão máxima quando a orientação do surround coincide com a do centro, e supressão específica de componentes de estímulos plaid. Utilizando uma rede bidimensional da camada 2/3 do V1, com conectividade biologicamente plausível, o modelo foi testado em versões baseadas em taxas e disparo. Os resultados também replicam a rápida dinâmica de decaimento (~10 ms) observada experimentalmente, sugerindo que o SSN é um mecanismo robusto para computações corticais.
Introdução
As interações entre estímulos no campo receptivo clássico (centro) e na região circundante (surround) no córtex visual primário (V1) são fundamentais para o processamento visual. Essas interações, conhecidas como supressão surround, modulam respostas neuronais com base em fatores como orientação, contraste e distância. Este estudo desenvolve um modelo SSN para explicar três fenômenos observados: (1) redução das correntes excitatórias e inibitórias durante supressão surround; (2) supressão mais forte quando a orientação do surround coincide com a do centro, mesmo para orientações não preferidas; e (3) supressão específica de componentes de estímulos plaid. Além disso, o modelo aborda a rápida dinâmica de decaimento da atividade cortical (~10 ms) após silenciamento talâmico, desafiando a expectativa de decaimentos lentos em redes com forte excitação recorrente.
Materiais e Métodos
O modelo consiste em uma rede bidimensional de 75×75 pontos, representando 16×16 graus de espaço visual e 8×8 mm de córtex, com fator de magnificação cortical de 0,5 mm/grau. Cada ponto contém uma célula excitatória (E) e uma inibitória (I), totalizando 5.625 de cada tipo. A conectividade depende da distância cortical e da diferença de orientação preferida, com células E formando conexões de curto e longo alcance e células I limitadas a curto alcance. A força das conexões é definida por funções gaussianas ajustadas por dados biológicos.
A versão baseada em taxas utiliza uma função de transferência supralinear (potência 2,2), enquanto a versão de disparo, implementada no simulador Brian, usa equações de condutância. A entrada externa é modelada como função do contraste do estímulo, e a dinâmica segue equações diferenciais para taxas ou potenciais de membrana. Simulações avaliaram: (1) supressão surround com redução de correntes E e I; (2) dependência da orientação do surround; (3) supressão em estímulos plaid; e (4) decaimento após silenciamento talâmico. Parâmetros foram ajustados para garantir estabilidade (Ω_E < 0) e alinhamento com dados experimentais.
Resultados
O modelo SSN reproduziu os três fenômenos de supressão surround:
A supressão surround reduziu as correntes excitatórias e inibitórias, consistente com dados experimentais. Isso exigiu conectividade local forte, estabilizada por inibição de feedback, com conexões E→I mais fortes em distâncias maiores.
A supressão foi máxima quando a orientação do surround coincidiu com a do centro, mesmo para orientações não preferidas, requerendo conectividade local amplamente sintonizada para orientação.
Em estímulos plaid, o surround suprimiu seletivamente a componente correspondente, sem necessidade da conectividade amplamente sintonizada, sugerindo independência entre os mecanismos.
O modelo também replicou o decaimento rápido da atividade (~10 ms para células E, ~6,67 ms para células I) após silenciamento talâmico, apesar da forte excitação recorrente, devido ao equilíbrio entre excitação e inibição. Na versão de disparo, os índices de supressão foram 0,45–0,65 para células E e 0,098–0,14 para células I, variando com o contraste.
Discussão
O modelo SSN demonstra que um circuito cortical com conectividade biologicamente plausível pode explicar fenômenos complexos de supressão surround no V1. A robustez dos resultados em modelos de taxas e disparo sugere que o SSN é um mecanismo geral para computações corticais, como detecção de descontinuidades e reconhecimento de objetos. A rápida dinâmica de decaimento indica que longos tempos de autocorrelação cortical podem depender de entradas talâmicas ou loops talamo-corticais, em vez de circuitos corticais intrínsecos. O modelo prediz que conexões E→I devem ser mais fortes em distâncias maiores, uma hipótese testável experimentalmente.
Conclusão
Este estudo estabelece o SSN como um modelo robusto para interações centro-surround no V1, integrando múltiplos fenômenos observados e dinâmicas rápidas. As descobertas avançam a compreensão dos circuitos corticais e fornecem predições para futuras investigações experimentais.
Referências
Ozeki H, et al. (2009). Neuron.
Sillito AM, et al. (1995). Nature.
Trott AR, Born RT (2015). J Neurosci.
Rubin DB, et al. (2015). Neuron.
Ahmadian Y, Miller KD (2021). Neuron.