使用神经算子大规模捕捉人类神经元的膜动力学与放电时序

刻画神经元细胞类型的特性是理解大脑功能的核心。然而，在保持细胞动力学丰富性和细胞类型内变异性的同时，生物物理上逼真的神经元模型仍难以扩展到大规模群体。我们提出了一种细胞类型特异性的神经算子框架，用于可扩展的神经元群体建模。该框架并非为单个神经元训练独立的代理模型，而是学习一个在来自同一细胞类型的多个建模神经元之间共享的算子，并以具有生物学可解释性的电生理特征为条件。相对于原始的单神经元 \texttt{NOBLE} 设置，在异质神经元之间进行学习需要更丰富的电生理条件表示，以及旨在保持多样化放电动力学的训练目标。这使得能够高效生成大规模的胞体电压响应集合，同时保持细胞间和模型配置间的变异性。我们使用膜动力学指标、动作电位波形指标、放电时间精度、输入-输出放电关系以及电生理特征分布来评估该方法。我们的框架在主要皮层抑制性神经元类型上再现了阈下膜动力学、放电波形和放电频率响应，同时在阈值穿越动力学敏感的情况下仍能准确保持放电时间。预测的电生理特征分布与详细模拟器输出和人类实验记录高度一致，包括在放电间隔、放电频率、动作电位形状和放电后恢复等特性上具有较高的可解释变异性。

中文由 AI 翻译，仅供参考，以原文为准。