在生物物理详细的神经模型中估计参数的方法和考虑与基于模拟的推理推理
Nicholas Tolley1, Pedro L C Rodrigues2, Alexandre Gramfort3
1Department of Neuroscience, Brown University, Providence, Rhode Island, United States of America.
PLoS computational biology
|February 26, 2024
概括
基于模拟的推理 (SBI) 现在估计了复杂的神经模型中的参数,克服了对时间序列数据的无概率贝叶斯推理的挑战. 这种方法可以更好地了解健康和疾病中的神经动态.
科学领域:
- 计算神经科学是一种计算神经科学.
- 神经科学是一个神经科学.
- 生物物理学的生物物理.
背景情况:
- 生物物理详细的神经模型对于研究神经动力学至关重要.
- 在这些复杂的模型中,参数推断仍然是一个重大挑战.
- 基于模拟的推理 (SBI) 提供了一个有希望的,无概率的贝叶斯方法.
研究的目的:
- 为应用SBI在大规模生物物理详细神经模型中估计时间序列波形提供准则.
- 用人类神经皮层神经溶解器来证明SBI对常见的MEG/EEG波形的应用.
- 建立评估参数估计质量和独特性的方法.
主要方法:
- 在SBI框架内利用深度学习进行密度估计.
- 应用SBI从模拟的振荡和事件相关的潜在数据推断参数.
- 使用诊断工具来评估后期估计质量.
主要成果:
- 成功应用SBI在详细的神经模型中估计时间序列波形的参数.
- 通过人类神经皮层神经解决器框架证明了SBI的实用性.
- 提供了评估推断神经模型参数可靠性的方法.
结论:
- 在详细的神经模型中,SBI为参数推理提供了一个原则基础,特别是对于时间序列数据.
- 提出的指导方针有助于将SBI应用于神经科学研究的复杂模型.
- 这项工作推进了详细的神经模型的使用,以了解各种条件下的神经动态.
更多相关视频
14:14Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models
Published on: August 12, 2018
8.9K
07:41Modeling Fast-scan Cyclic Voltammetry Data from Electrically Stimulated Dopamine Neurotransmission Data Using QNsim1.0
Published on: June 5, 2017
9.9K
