编辑推荐：
在神经科学研究中，理解神经记录与神经活动关键方面的关系存在困难。研究人员开发了 ncpi 这个开源 Python 工具盒，用于神经回路参数推断。结果显示其能揭示大脑发育和阿尔茨海默病中神经回路参数失衡。该研究为相关领域提供了重要工具。
在神经科学的奇妙世界里，大脑就像一座神秘的城堡，神经活动则是城堡中错综复杂的谜题。随着科技的飞速发展，计算研究工具已经能高效模拟不同尺度的神经活动，实验神经科学也迎来了数据爆发的时代。然而，人们对于神经记录和神经活动关键方面之间精确的机制关系，却知之甚少。比如说，电生理群体动力学的哪些特定特征（也就是潜在的生物标志物）能最好地反映底层微电路配置的属性，这仍然是一个未解之谜。
为了攻克这些难题，来自西班牙格拉纳达大学信息与通信技术研究中心（Research Center for Information and Communication Technologies, CITIC）等多个研究机构的研究人员展开了深入研究。他们开发了一个名为神经回路参数推断（ncpi）的开源 Python 工具盒，这一成果发表在《npj Systems Biology and Applications》上。
研究人员在开展此项研究时，运用了多种关键技术方法。他们通过构建基于单个神经元网络模型的模拟，利用如 NEST、NEURON 等软件工具模拟神经活动；运用 LFPy 等工具计算细胞外信号；借助 hctsa、catch22 等时间序列特征库以及如 1/f 斜率等指标进行特征提取；使用 scikit-learn 和 SBI 等库训练逆代理模型，从而实现对神经回路参数的推断。研究数据来源于小鼠的体内局部场电位（LFP）记录以及人类的脑电图（EEG）记录。
下面来看看具体的研究结果。首先是 ncpi 软件平台概述，ncpi 包含多个 Python 类，涵盖了从模拟大脑模型（Simulation）、计算细胞外信号（FieldPotential）、提取特征（Features）、训练逆代理模型并对真实数据进行预测（Inference）到分析结果（Analysis）的整个工作流程。这些类整合了多种先进方法，支持并行计算，能让用户轻松实现基于模型的神经回路参数推断。
在利用 LIF 网络模型模拟神经活动和细胞外电位的研究中，研究人员发现，改变外部输入电流会使网络的尖峰输出和同步性发生变化，这种变化在电流偶极矩（CDM）和功率谱中也有明显体现。同时，从模拟的 CDM 中提取的 1/f 斜率和 catch22 库中的特征，会随着外部输入的改变而显著变化，这表明特定网络模型参数的改变能在细胞外信号中反映出来。
在对模拟数据集中的特征进行表征时，研究人员通过系统探索定义递归和外部突触连接的关键参数，生成了包含两百万个模拟样本的综合训练数据集。分析发现，从单个特征准确推断参数变化存在困难，因为多个参数同时影响模型输出时，其效果可能重叠或抵消，不过多特征组合能提供更全面的信息。
在使用单特征与组合特征进行逆模型预测的对比研究中，研究人员训练了多种神经网络回归模型。结果显示，多特征模型在捕捉所有参数的真实值方面表现更优，但单特征模型在预测与实际值的分布上呈现单调递增趋势，这意味着单特征模型虽难以准确解码实际值，但仍能识别参数的增减趋势。而且，研究发现将 1/f 斜率添加到 catch22 特征集中并不能提高预测准确性。
研究人员还利用 ncpi 工具盒对实际场景进行了验证。在对小鼠早期出生后发育过程中皮质回路参数估计变化的研究中，分析小鼠前额叶皮质（PFC）的 LFP 数据发现，使用 catch22 特征集预测显示，出生后早期 E/I 比值会适度降低，τsyninh缩短，Jext值升高且放电率增加；而仅使用 1/f 斜率预测时，除 E/I 比值外，其他参数的预测结果与先前经验证据存在冲突。
在对阿尔茨海默病（AD）中回路参数改变的时空进展预测研究中，研究人员分析了包含健康对照和不同阶段 AD 患者的 EEG 数据集。结果显示，基于 1/f 斜率的预测表明 AD 患者许多电极位置的 E/I 向抑制方向显著转变，而 catch22 特征集则显示 AD 患者后期外部输入Jext明显下降，且两者对突触时间常数的预测相互矛盾。
综合来看，该研究意义重大。ncpi 工具盒为神经回路参数的模型驱动解释和候选生物标志物评估提供了基准资源。通过对模拟数据和真实数据的研究，它能揭示局部回路属性与群体水平大脑动力学之间的关系，可应用于不同空间尺度，并追踪临床群体中回路参数的病理进展和变异性。不过，目前该研究也存在一定局限性，如未考虑宏观网络动力学等。但 ncpi 工具盒为探索神经回路生物标志物提供了强大平台，有助于重新评估过去的研究结果，为未来神经科学研究开辟新的道路，推动人们对大脑奥秘的深入探索。
