电物理GAN:从记录的电生理反应生成生物物理神经元模型参数

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 生物物理学的生物物理.

背景情况:

• 连接学和电生理学的进步需要详细的神经元模型.
• 电脑体模型整合了网络连接和细胞动态来模拟神经元活动.
• 线虫C. 这种线虫. elegans提供了一个易于处理的系统,用于ElectroPhysiome研究,因为它有很好的连接组和可用的电生理数据.

研究的目的:

• 开发一种深度生成估计方法,从电生理学记录中准确且快速推断神经元模型参数.
• 通过估计霍奇金 - 赫克斯利神经元模型 (HH-模型) 的参数,实现详细的电体模型的创建.

主要方法:

• 开发了ElectroPhysiomeGAN (EP-GAN),这是一种结合生成对抗网络 (GAN) 和循环神经网络 (RNN) 编码器的深度学习方法.
• 训练有素的EP-GAN使用神经元膜电位响应和稳定状态电流配置文件为HH模型生成了170多个参数.
• 在200个模拟和9个实验记录的神经元上验证了EP-GAN. 伊莱根斯 (elegans) 是一个词.

主要成果:

• 对于具有分级潜在反应的神经元,EP-GAN有效地产生了广泛的HH模型参数 (>170).
• 与现有的参数估计方法相比,证明了高精度和推断速度.
• 通过使用任意紧协议,通过部分膜潜力和当前数据进行参数推断来展示灵活性.

结论:

• EP-GAN为估计神经元模型参数提供了一个强大而高效的工具,促进了详细的ElectroPhysiome模型的构建.
• 该方法的速度和准确性推进了神经元网络动态和细胞功能的模拟.
• EP-GAN对部分数据和多种协议的适应性扩大了其在神经科学研究中的适用性.