使用控制理论方法,从成像中预测神经元激发.
Nicholas A Rondoni1, Fan Lu1, Daniel B Turner-Evans2
1Department of Applied Mathematics, University of California Santa Cruz, Santa Cruz, California, United States of America.
PLoS computational biology
|June 19, 2025
概括
这项研究引入了一种新的算法,将缓慢的成像数据转换为精确的神经元发射率. 该方法使用确定性模型进行实时分析,改善我们对行为期间大脑活动的理解.
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
- 系统生物学 系统生物学
背景情况:
- 成像,包括两光子成像,对于研究神经元功能和电路至关重要.
- 通常用于测量神经元活动的光指标,对于直接的行为相关性来说太慢.
- 神经元发射率是活动的更准确的指标,但转换数据是具有挑战性的.
研究的目的:
- 开发一种新的算法,用于准确地将成像数据转换为神经元发射率.
- 克服当前方法的局限性,例如缓慢的响应时间和缺乏可解释性.
- 为了实现对神经元活动的实时分析,用于在线实验指导.
主要方法:
- 开发了一种基于化学反应网络 (CRN) 的决定性普通微分方程 (ODE) 模型.
- 集成了一个模型预测控制 (MPC) 框架,以增强相关性和可解释性.
- 在来自spikefinder挑战的地面真相数据集上验证了算法.
主要成果:
- 新的算法实现了最先进的相关性得分.
- 该模型为神经元化学交换提供了可解释的见解.
- 计算是实时进行的,使即时的实验反.
结论:
- 这种基于ODE的MPC框架在分析成像数据方面取得了重大进展.
- 实时功能允许动态实验设计和神经元活动的探索.
- 该方法增强了成像在神经科学研究中的实用性.


