bioRxiv · Neuroscience· Namazifard, S., Gabbiani 等 6 人
识别Hodgkin-Huxley型电流模型参数简并性与解流形的工具包
A toolkit to identify parameter degeneracy and solution manifolds of Hodgkin-Huxley type current models
预印本 · 尚未经过同行评审
AI 导读
基于SVD的工具包可揭示HH型电流模型参数解流形结构及参数间相互依赖。
摘要 · AI 翻译
无数研究利用非线性最小二乘法,将霍奇金-赫胥黎(HH)型活动电流模型拟合到电压钳数据。然而,关于参数解的唯一性以及HH型模型参数之间的相互依赖性,人们知之甚少。在此,我们表明,通过对一个与拟合过程中所用目标函数密切相关的矩阵进行奇异值分解(SVD),可以获得相当多的洞见。在使用来自代表性实验案例范围的人工数据同时拟合所有模型参数后,这揭示出:根据可用的电压钳数据类型以及所选HH型模型的不同,可能存在一个解流形。在此类情况下,我们利用SVD来确定哪些参数最不可辨识。接下来,我们开发了一种基于SVD的流形追踪技术,该技术能够高效地揭示模型参数空间中等价解流形的结构。我们的方法还识别了参数间的相互依赖性及其对联合参数置信区域的影响。在我们的实验示例中一致观察到的最显著相互依赖关系,是活动HH型电流模型的峰值电导与反转电位之间的相互依赖。本文提出的基于SVD的策略有望普遍适用于研究单神经元生物物理模型中的参数简并性和解流形结构。因此,我们的结果对于理解离子通道生物物理学对单神经元计算所施加的约束应当具有重要价值。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Neuroscience · biorxiv.org