生物物理 in silico神经元状态的可重现性和基于事件的部分历史的尖端
Evan Cudone1, Amelia M Lower2, Robert A McDougal1,3,4,5
1Program in Computational Biology and Bioinformatics, Yale University, New Haven, Connecticut, United States of America.
PLoS computational biology
|October 12, 2023
概括
未来的神经元活动可以通过最近的事件预测,减少模拟中的计算负载. 这种基于事件的方法简化了大规模神经网络研究的复杂生物物理模型.
科学领域:
- 计算神经科学是一种神经科学.
- 生物物理学的生物物理.
- 系统神经科学 系统神经科学
背景情况:
- 生物物理上详细的神经元模拟需要解决大型微分方程系统,需要大量的计算资源和初始状态假设.
- 神经元模型中生物细节的增加增加了计算需求和必要假设的数量.
研究的目的:
- 调查神经元模型中的未来动作潜能是否只能使用最近的突触输入事件来预测.
- 要确定一个简化,基于事件的建模框架是否可以准确地表示复杂的神经元动态.
主要方法:
- 利用了点和形态详细的神经元细胞模型.
- 分析了最近事件时间和未来行动潜力之间的概率关系.
- 从没有初始条件的正在进行的突触事件评估了细胞模型状态的重建能力.
主要成果:
- 未来的动作潜力的时间和发生在概率上是由中等数量的最近事件所特征的.
- 随着已知的输入事件数量的增加,尖端响应的不确定性会减少,接近确定性.
- 细胞模型状态可以从正在进行的突触事件中重建,即使初始条件未知.
结论:
- 严格基于事件的建模框架可以代表复杂的细胞动态,比传统的微分方程模型更少的状态变量.
- 这种方法为大神经网络的数据驱动建模提供了可扩展的途径,同时保留了细胞生物物理.


