错误函数优化用于比较神经活动和训练混合节律网络

科学领域:

• 计算神经科学是一种神经科学.
• 系统神经科学 系统神经科学
• 生物物理学的生物物理.

背景情况:

• 将生物神经记录与数学模型进行比较至关重要,但往往是主观的,耗时的.
• 现有的方法缺乏客观性和高通量分析的效率.
• 开发用于模型比较的定量指标对于推进神经科学至关重要.

研究的目的:

• 引入一种新的,客观的,高效的"混合"系统方法来比较生物和数学神经模型.
• 开发定量措施 (错误函数),减少模型比较中的主观性.
• 为了促进使用生物数据的数学模型的参数优化.

主要方法:

• 利用来自生物神经元的电压记录来驱动和训练数学模型.
• 集成的测量,如动作潜力的频率,电压平均值/信封,和 postsynaptic通道的概率进行校准.
• 在使用*Melibe leonina*游泳中央模式生成器 (CPG) 进行生物和模拟神经元比较时,采用了突触导电的网格搜索.

主要成果:

• "混合"系统方法为模型比较提供了一个客观的,高通量和计算效率高的方法.
• 发现对简单函数的加权和对于准确捕捉神经元节律活动至关重要.
• 该方法通过衍生错误函数成功促进了参数优化.

结论:

• 拟议的混合系统方法为神经科学中比较生物和数学模型提供了重大进展.
• 这种方法有望通过实现客观和高效的模型验证来加速神经电路研究.
• 开发的定量测量可以增强神经模型的理解和开发.