Computational model of the cerebellum granular layer: properties and plasticity

Between all the layers that constitute the cerebellum, the granular one has a major role in the analysis of the input that comes from other areas of the nervous system. This is due to the many properties that characterize it. In this work, the four main properties of the granular layer have been studied through a spiking neural network scaffold model. This network implements rules of positioning and connectivity of the neurons in a 3D space on the base of physiological evidence. To test its physiological properties, we used ad-hoc experimental paradigms based on the tests that are usually performed in vivo”. The scaffold model of the granular layer responded well to the tests, reproducing in a physiological way the main characteristics of the layer itself. Also, two new plasticity rules have been implemented. Then, they have been tested to evaluate the goodness of their weight update rules. Besides this, we have explored their role in one of the principal task of the granular layer, which is the memorization of a predefined pattern. For both tests, we retrieved some satisfying results, since we managed to obtain learning rules close to the real ones and we observed how they enabled a simplified network to memorize a specific pattern.

Tra i vari strati che compongono il cervelletto, quello granulare ricopre un ruolo di primaria importanza per quanto riguarda l’analisi dei segnali che arrivano da altre zone del sistema nervoso. Ciò è dovuto alle molte proprietà che lo contraddistinguono. In questo lavoro, sono state analizzate le quattro proprietà fondamentali del suddetto strato tramite uno scaffold costituto da una rete neurale di tipo “spiking”. Questo modello implementa regole di posizionamento e connessione dei neuroni in uno spazio 3D sulla base delle evidenze scientifiche in campo fisiologico. Per testare queste quattro proprietà sono stati pensati dei paradigmi sperimentali ad-hoc basati sui test che vengono fatti “in vivo”. Il modello di strato granulare ha risposto bene agli esperimenti, andando a riprodurre in modo fisiologico le principali caratteristiche dello strato stesso. Sono state inoltre implementate due nuove regole di plasticità. Queste sono state poi testate per valutare la bontà delle loro regole di aggiornamento dei pesi. Inoltre, si è esplorato il loro apporto in uno dei compiti principali dello strato granulare, ovvero la memorizzazione di un pattern predefinito. Per entrambi i test abbiamo ottenuto risultati soddisfacenti, in quanto non solo siamo riusciti ad ottenere delle regole di apprendimento vicine a quelle reali, ma siamo inoltre riusciti a far memorizzare dei pattern specifici ad una rete semplificata.