Размер синапсов (объем головки дендритного шипика) в пирамидных клетках слоев 2/3 коры описывается моделью, состоящей из бинарной переменной и аналоговой переменной, имеющей логнормальное распределение. Синапсы существуют в двух скрытых дискретных состояниях: «S» (малые) и «L» (большие). В мультисинаптических соединениях, где две клетки связаны парой синапсов, бинарные состояния этих синапсов высоко коррелированы (коэффициент фи Пирсона ~0,637), в то время как аналоговые переменные корреляции не имеют. Это свидетельствует о том, что синапсы функционируют как бистабильные переключатели, состояние которых определяется активностью нейронов, а аналоговая вариативность обусловлена спонтанными динамическими флуктуациями.
В зрительной коре млекопитающих действует универсальное правило: нейроны с похожими функциональными свойствами (высокой сигнальной корреляцией) соединяются чаще. Данная закономерность сохраняется как внутри отдельных слоев и зон (V1, AL, LM, RL), так и между ними, включая связи обратной связи. Функциональное сходство нейронов разделяется на два компонента: признаковый (на что реагирует нейрон) и пространственный (расположение рецептивного поля). Сходство признаков достоверно предсказывает наличие синаптических связей, тогда как пространственная близость рецептивных полей коррелирует только с вероятностью сближения аксонов и дендритов (ADP), но не определяет само формирование синапса.
Помимо попарных связей, существует организация более высокого порядка: группы постсинаптических нейронов, получающие вход от одной пресинаптической клетки, демонстрируют более высокое функциональное сходство между собой, чем предсказывают модели попарной связности. Это указывает на формирование функциональных кластеров в архитектуре сети. При обучении рекуррентных нейронных сетей (RNN) классификационным задачам в них спонтанно возникают аналогичные структуры связности, причем нарушение «like-to-like» соединений снижает производительность сети сильнее, чем удаление случайных связей той же силы.
Глубокие механистические сети (DMN) используют данные коннектома как фиксированную архитектуру, где оптимизируются только неизвестные биофизические параметры (временные константы, потенциалы покоя) посредством решения вычислительных задач. Разреженность связей в биологических цепях (например, в зрительной системе мухи) критически снижает количество свободных параметров, что позволяет точно предсказывать нейронную активность на уровне отдельных клеток. Метод «цифровых двойников» позволяет воссоздавать ответы популяций нейронов на произвольные визуальные стимулы in silico, разделяя веса признаков и пространственные координаты считывания.
Со временем происходит реорганизация нейронных цепей энграмм в гиппокампе, что объясняет сдвиг от точных эпизодических воспоминаний к обобщенным концептуальным схемам («gist memory»). Этот процесс перестройки цепей делает нейроны энграммы менее специфичными и позволяет им активироваться в новых, связанных ситуациях. Реорганизация напрямую зависит от нейрогенеза: подавление нейрогенеза сохраняет точность памяти, а его стимуляция ускоряет процесс генерализации и перестройки коннектома энграммы.