大规模神经元活动的精确最小模型
Christopher W Lynn1,2,3, Qiwei Yu4, Rich Pang5
1Yale University, Department of Physics, Quantitative Biology Institute, and Wu Tsai Institute, New Haven, Connecticut 06520, USA.
Physical review. E
|June 19, 2025
概括
研究人员开发了一种新方法来识别大脑活动数据集中的关键神经相关性. 这种方法显著降低了预测人口活动的不确定性,为复杂的生物系统提供了洞察力.
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
- 统计物理 统计物理
背景情况:
- 大脑活动涉及神经元之间的复杂相关性.
- 分析大型神经群体数据是瓶,因为关联的数量非常多.
- 现有的方法在神经关联数据的高维度方面扎.
研究的目的:
- 开发一种可扩展的方法来识别神经相关性的最有信息的子集.
- 将"最小"原则应用于样本不足的神经数据.
- 从有限的相关数据准确地建模宏观的大脑活动模式.
主要方法:
- 开发了一种精确且可扩展的解决方案,用于形成树结构的对对应关系.
- 将最小的原理应用于来自1000多只小鼠海马神经元的神经数据.
- 推断了一个Ising模型来分析神经相互作用和预测人口活动.
主要成果:
- 最佳的相关性树将人口活动的不确定性降低了14%.
- 该模型准确地预测了大规模的神经同步,仅使用0.1%的对对应关系.
- 推断出来的伊辛格模型显示出主要是铁磁相互作用和热力学关键性的特征.
结论:
- 神经关联的一个小子集包含了大量关于人口活动的信息.
- 最小的方法为分析复杂的生物系统提供了一个强大的工具.
- 这种方法可以扩展到识别其他大型系统中的关键相互作用.
