Sequential activity has been observed in multiple neuronal circuits across species, neural structures, and behaviors. It has been hypothesized that sequences could arise from learning processes. However, it is still unclear whether biologically plausible synaptic plasticity rules can organize neuronal activity to form sequences whose statistics match experimental observations. Here, we investigate temporally asymmetric Hebbian rules in sparsely connected recurrent rate networks and develop a theory of the transient sequential activity observed after learning. These rules transform a sequence of random input patterns into synaptic weight updates. After learning, recalled sequential activity is reflected in the transient correlation of network activity with each of the stored input patterns. Using mean-field theory, we derive a low-dimensional description of the network dynamics and compute the storage capacity of these networks. Multiple temporal characteristics of the recalled sequential activity are consistent with experimental observations. We find that the degree of sparseness of the recalled sequences can be controlled by nonlinearities in the learning rule. Furthermore, sequences maintain robust decoding, but display highly labile dynamics, when synaptic connectivity is continuously modified due to noise or storage of other patterns, similar to recent observations in hippocampus and parietal cortex. Finally, we demonstrate that our results also hold in recurrent networks of spiking neurons with separate excitatory and inhibitory populations.

已经在跨物种、神经结构和行为的多个神经元回路中观察到顺序活动。已经假设序列可能来自学习过程。然而，目前尚不清楚生物学上合理的突触可塑性规则是否可以组织神经元活动以形成其统计数据与实验观察相匹配的序列。在这里，我们研究了稀疏连接的递归率网络中时间不对称的 Hebbian 规则，并开发了学习后观察到的瞬态序列活动的理论。这些规则将一系列随机输入模式转换为突触权重更新。学习后，回忆的顺序活动反映在网络活动与每个存储的输入模式的瞬时相关性中。使用平均场理论，我们推导出网络动态的低维描述并计算这些网络的存储容量。召回的连续活动的多个时间特征与实验观察一致。我们发现召回序列的稀疏程度可以通过学习规则中的非线性来控制。此外，当突触连接由于噪声或其他模式的存储而不断修改时，序列保持稳健的解码，但显示高度不稳定的动态，类似于最近在海马和顶叶皮层中的观察结果。最后，我们证明我们的结果也适用于具有独立兴奋性和抑制性群体的尖峰神经元的循环网络。召回的连续活动的多个时间特征与实验观察一致。我们发现召回序列的稀疏程度可以通过学习规则中的非线性来控制。此外，当突触连接由于噪声或其他模式的存储而不断修改时，序列保持稳健的解码，但显示高度不稳定的动态，类似于最近在海马和顶叶皮层中的观察结果。最后，我们证明我们的结果也适用于具有独立兴奋性和抑制性群体的尖峰神经元的循环网络。召回的连续活动的多个时间特征与实验观察一致。我们发现召回序列的稀疏程度可以通过学习规则中的非线性来控制。此外，当突触连接由于噪声或其他模式的存储而不断修改时，序列保持稳健的解码，但显示高度不稳定的动态，类似于最近在海马和顶叶皮层中的观察结果。最后，我们证明我们的结果也适用于具有独立兴奋性和抑制性群体的尖峰神经元的循环网络。当突触连接由于噪声或其他模式的存储而不断修改时，序列保持稳健的解码，但显示高度不稳定的动态，类似于最近在海马和顶叶皮层中的观察结果。最后，我们证明我们的结果也适用于具有独立兴奋性和抑制性群体的尖峰神经元的循环网络。当突触连接由于噪声或其他模式的存储而不断修改时，序列保持稳健的解码，但显示高度不稳定的动态，类似于最近在海马和顶叶皮层中的观察结果。最后，我们证明我们的结果也适用于具有独立兴奋性和抑制性群体的尖峰神经元的循环网络。