Coupling and stochasticity in mesoscopic brain dynamics

Abstract

The brain is known to operate under the constant influence of noise arising from a variety of sources. It also organises its activity into rhythms spanning multiple frequency bands. These rhythms originate from neuronal oscillations which can be detected via measurements such as electroen-cephalography (EEG) and functional magnetic resonance (fMRI). Experimental evidence suggests that interactions between rhythms from distinct frequency bands play a key role in brain processing, but the dynamical mechanisms underlying this cross-frequency interactions are still under investigation. Some rhythms are pathological and harmful to brain function. Such is the case of epileptiform rhythms characterising epileptic seizures. 
 Much has been learnt about the dynamics of the brain from computational modelling. Particularly relevant is mesoscopic scale modelling, which is concerned with spatial scales exceeding those of individual neurons and corresponding to processes and structures underlying the generation of signals registered in the EEG and fMRI recordings. Such modelling usually involves assumptions regarding the characteristics of the background noise, which represents afferents from remote, non-modelled brain areas. To this end, Gaussian white noise, characterised by a flat power spectrum, is often used. In contrast, macroscopic fluctuations in the brain typically follow a `1/f b ¿ spectrum, which is a characteristic feature of temporally correlated, coloured noise. In Chapters 3-5 of this Thesis we address by means of a stochastically driven mesoscopic neuronal model, the three following questions. First, in Chapter 3 we ask about the significance of deviations from the assumption of white noise in the context of brain dynamics, and in particular we study the role that temporally correlated noise plays in eliciting aberrant rhythms in the model of an epileptic brain. We find that the generation of epileptiform dynamics in the model depends non-monotonically on the noise correlation time. We show that this is due to the maximisation of the spectral content of epileptogenic rhythms in the noise. These rhythms fall into frequency bands that indeed were experimentally shown to increase in power prior to epileptic seizures. We explain these effects in terms of the interplay between specific driving frequencies and bifurcation structure of the model. 
 Second, in Chapter 4 we show how coupling between cortical modules leads to complex activity patterns and to the emergence of a phenomenon that we term collective excitability. Temporal patterns generated by this model bear resemblance to clinically observed characteristics of epileptic seizures. In that chapter we also introduce a fast method of tracking a loss of stability caused by excessive inter-modular coupling in a neuronal network. Third, in Chapter 5 we focus on cross-frequency interactions occurring in a network of cortical modules, in the presence of coloured noise. We suggest a mechanism that underlies the increase of power in a fast rhythm due to driving with a slow rhythm, and we find the noise parameters that best recapitulate experimental power spectra. Finally, in Chapter 6, we examine models of haemodynamic and metabolic brain processes, we test them on experimental data, and we consider the consequences of coupling them with mesoscopic neuronal models. 
 Taken together, our results show the combined influence of noise and coupling in computational models of neuronal activity. Moreover, they demonstrate the relevance of dynamical properties of neuronal systems to specific physiological phenomena, in particular related to cross-frequency interactions and epilepsy. Insights from this Thesis could in the future empower studies of epilepsy as a dynamic disease, and could contribute to the development of treatment methods applicable to drug-resistant epileptic patients. El cervell opera sota la influència de sorolls amb diversos orígens. També organitza la seva activitat en una sèrie de ritmes que s'expandeixen en diverses bandes de freqüència. Aquests ritmes tenen el seu origen en les osci∙lacions neuronals i poden detectar-se via mesures com les electroencefalogràfiques (EEG) o la ressonància magnètica funcional (fMRI). Les evidències experimentals suggereixen que les interaccions entre ritmes operant en bandes de freqüència diferents juguen un paper central en el processat cerebral però els mecanismes dinàmics subjacents a les interaccions inter-freqüència encara estan investigant-se. Alguns ritmes són patològics i fan malbé el funcionament cerebral. És el cas dels ritmes epileptiformes que caracteritzen les convulsions epilèptiques. 
 Fent servir el modelatge computacional s'ha après molt sobre la dinàmica del cervell. Especialment rellevant és el modelatge a l’escala mesoscòpica, que té a veure amb les escales espacials superiors a les de les neurones individuals i que correspon als processos que generen EEG i fMRI. Tal modelatge, en general, implica supòsits relatius a les característiques del soroll de fons que representa zones remotes del cervell no modelades. Amb aquesta finalitat s'utilitza sovint el soroll blanc gaussià, que es caracteritza per un espectre de potència pla. Les fluctuacions macroscòpiques en el cervell, però, normalment segueixen un espectre '1/fb', que és un tret característic de les correlacions temporals i el soroll de color. 
 Als Capítols 3-5 d'aquesta tesi abordem mitjançant un model neuronal mesoscòpic forçat estocàsticament, les tres preguntes següents. En primer lloc, en el Capítol 3 ens preguntem sobre la importància de les desviacions de l'assumpció de soroll blanc en el context de la dinàmica del cervell i, en particular, estudiem el paper que juga el soroll amb correlació temporal en l'obtenció de ritmes aberrants d'un cervell epilèptic. Trobem que la generació de les dinàmiques epileptiformes depèn de forma monòtona del temps de correlació del soroll. Aquests ritmes es divideixen en bandes de freqüència que, segons, s'ha mostrat experimentalment, augmenten la seva potència espectral abans de les crisis epilèptiques. Expliquem aquests efectes en termes de la interacció entre les freqüències específiques del forçament i l'estructura de bifurcació del model. En segon lloc, en el Capítol 4 es mostra com l'acoblament entre mòduls corticals condueix a patrons d'activitat complexes i a l'aparició d'un fenomen que anomenem excitabilitat col∙lectiva. Els patrons temporals generats per aquest model s'assemblen a les observacions clíniques de les convulsions epilèptiques. En aquest capítol també introduïm un mètode d'anàlisi de la pèrdua d'estabilitat causada per l'acoblament inter-modular excessiu en les xarxes neuronals. 
 En tercer lloc, en el Capítol 5 ens centrem en les interaccions inter-freqüència que es produeixen en una xarxa de mòduls corticals en presència de soroll de color. Suggerim un mecanisme subjacent a l'augment de la potència spectral de ritmes ràpids a causa del forçament amb un ritme lent, i veiem quins paràmetres del soroll descriuen millor els espectres de potència experimental. Finalment, en el Capítol 6, estudiem models dels processos hemodinàmics i metabòlics del cervell, els comparem amb dades experimentals i considerem les conseqüències del seu acoblament amb models neuronals mesoscopics. En conjunt, els nostres resultats mostren la influència combinada del soroll i l'acoblament en models computacionals de l'activitat neuronal. D'altra banda, també demostren la importància de les propietats dinàmiques dels sistemes neuronals en fenòmens fisiològics específics com les interaccions inter-frequència i l'epilèpsia. Els resultats d'aquesta Tesi contribueixen a potenciar l’estudi de l'epilèpsia com una malaltia dinàmica, i el desenvolupament de mètodes de tractament aplicables a pacients epilèptics resistents als fàrmacs.