核心模式预测组合阈值线性网络中的动态吸引子
摘要：组合门限线性网络(CTLNs）是一类特殊的由定向图定义的抑制型门限线性网络。与更一般的门限线性网络一样，它们显示出多稳定性、极限环、准周期吸引子和混沌等多样的非线性动力学。在以前的工作中，我们已经开发了一个详细的数学理论，将CTLNs的稳定和不稳定的定点与底层网络的图论属性相关联。在这里，我们发现一个特殊类型的定点，对应于核心模式，可以预测静态和动态吸引子。而且，可以通过选择以这些定点为基础的小扰动作为初始条件来找到这些吸引子。这激发我们假设网络的动态吸引子对应于在核心模式上支持的不稳定定点。我们在一个大小为$n=5$的大型定向图家族上对此假设进行了测试，并发现了显著一致的结果。此外，我们发现具有相似嵌入的核心模式产生了几乎相同的吸引子。这使我们能够基于结构定义的图族对吸引子进行分类。我们的结果表明，连通性的图形属性可以用来预测网络的复杂非线性动力学。
作者：Caitlyn Parmelee, Samantha Moore, Katherine Morrison, Carina Curto
论文ID：2109.03198
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-08-16