《PLOS Computational Biology》:Automating population construction and parallel simulation of biophysical models for neuromuscular cells: An inverse approach
编辑推荐:
本研究提出了一种创新的方法,以解决在体部、年龄和病理状态各异的情况下,构建和仿真具有异质性的神经肌肉细胞生物物理模型的难题。研究人员结合逆向建模框架和网络文件夹技术,开发了名为pNMS的开源命令行软件工具,实现了细胞群体模型的自动化构建和高效的并行仿真。该工具成功复现了不同环境下的实验与仿真结果,并能预测细胞组织与肌肉长度依赖的群体行为。这项工作为在现实场景下以细胞分辨率高效、深入地研究神经肌肉功能提供了实用的解决方案。
肌肉力量的产生与控制,离不开大脑和脊髓中的运动神经元(Motoneuron, MN)以及它们所支配的肌纤维的协同工作。这个由数百个运动神经元和成千上万肌纤维构成的复杂系统,其最基本的功能单元是“运动单位”(Motor Unit, MU),即一个运动神经元及其所支配的所有肌纤维。要真正理解神经肌肉系统的运作,就需要在细胞水平上整合研究神经和肌肉的机制。然而,神经肌肉细胞(包括运动神经元和肌纤维)的性质具有显著的异质性,且其组织结构会因身体部位、活动水平、衰老和疾病等多种因素而产生广泛变异。传统的实验方法难以解析这些细胞特性如何影响系统不同层次的行为。虽然计算机建模与仿真已成为有力的研究工具,但手动确定模型参数以复现各种实验观察结果的过程通常劳动密集、效率低下。特别是当目标细胞数量增加、特性多样时,常用的“正向”参数优化方法会面临收敛效率低、模型不稳定等诸多挑战,使得针对不同生理病理条件的大规模、定制化仿真分析变得异常困难。
为此,发表在《PLOS Computational Biology》上的一项研究提出了一套全新的方法论,旨在简化并加速神经肌肉系统在细胞分辨率下的生物物理建模与仿真流程。研究人员的目标是开发一个能够自动化构建细胞群体模型,并能在多种并行计算系统上高效运行仿真和分析的通用工具。
为达成此目标,作者主要采用了三个关键技术方法:首先,他们构建了结合逆向建模框架的“积木式”方法。该方法利用细胞特异性属性(Cell-specific properties, CPs)与模型参数之间的数学关系,自动、唯一地确定模型参数,从而绕过了传统耗时的参数优化过程,实现了群体模型的自动化构建。其次,他们设计了一种基于网络文件夹和虚拟环境技术的并行仿真架构。该架构允许在单台多核计算机、高性能计算集群甚至是通过互联网连接的计算机网络中高效部署和运行仿真,用户无需在各计算节点手动安装软件环境。最后,他们将整套方法实现为一个名为pNMS的开源Python命令行软件包,提供了直观灵活的应用编程接口,方便用户集成和使用。研究的模型参数主要基于先前在健康成年猫身上获得的实验数据。
研究结果
细胞群体行为
研究首先验证了pNMS软件在复现健康成年猫神经肌肉细胞行为特征方面的可行性,并与之前使用不同软件(如XPPAUTO, NEURON, PyMUS)获得的仿真结果进行了比较,证明了其可靠性与准确性。
运动神经元群体
研究构建了同质性和异质性的运动神经元群体模型。结果表明,pNMS能够成功复现运动神经元在阶跃和斜坡输入下的双稳态放电行为(如放电加速、饱和及自我持续放电)。通过对异质性群体(细胞特性随输入电阻RN系统性变化)的仿真发现,放电阈值较低的运动神经元往往表现出更强的非线性响应,细胞异质性显著影响了运动神经元群体的输出模式。
肌-腱纤维群体
研究同样构建了慢型和快型肌-腱纤维的同质及异质群体模型。仿真显示,pNMS能够复现肌纤维在等长、等速和动态收缩条件下,随刺激频率和肌肉长度变化的力产生特性。在异质性群体中,峰值力较高的肌-腱纤维模型产生更大的力,且力的发展更快。研究还预测了个体肌-腱纤维对整体肌力产生的贡献,并观察到快型肌纤维的“下陷”行为在部分兴奋条件下对整体肌力形态影响不大。
运动单位群体
通过耦合运动神经元和肌-腱纤维模型,研究构建了运动单位群体模型。仿真展示了运动神经元的非线性放电行为如何影响其支配肌单元的力量输出。在不同的抑制性突触输入模式(恒定抑制、平衡抑制、推-拉抑制)下,运动神经元群体可表现出“洋葱皮”和“反向”放电模式共存的现象,并调制了整个群体的输入-输出增益。个体肌单元产生的肌电图信号序列和力量,经线性叠加后得到了整体的肌肉力量和肌内肌电图信号。
细胞异质性效应
研究进一步预测了细胞组织结构对群体行为的影响。通过改变运动单位群体中细胞指示器(RN)的分布,他们发现,平均放电频率、总肌力和肌电图包络幅值都随细胞组织的变化而发生系统性改变。肌电图-肌力关系在由高低阈值运动单位混合的群体中接近线性,而在以低阈值(慢型)或高阈值(快型)运动单位为主的群体中分别表现为亚线性和超线性。此外,研究还验证了肌肉长度对肌电图-肌力关系的影响,发现该关系在肌肉缩短时趋于线性,随着肌肉长度增加而变得亚线性。
结论与讨论
本研究成功提出并实现了一套用于神经肌肉系统主要细胞生物物理模型的自动化群体构建与高效并行仿真的方法学。其核心贡献在于将逆向建模框架与积木式方法结合,使模型参数能从实验可测的细胞特异性属性中直接、唯一地确定,从而实现了群体模型的自动构建。同时,基于网络文件夹和虚拟环境技术的并行架构,极大地简化了在多计算节点环境下的仿真部署。这些方法被集成于开源的pNMS软件工具中,通过友好的命令行接口提供给科学社区。
pNMS的有效性通过与不同软件环境的仿真结果对比得到了验证,并展示了其在复现运动神经元非线性放电、肌纤维力-长/力-速关系以及运动单位群体输入-输出特性等方面的能力。研究特别强调了细胞异质性在塑造神经肌肉系统群体行为中的关键作用,例如,它能够解释不同肌肉中观察到的肌电图-肌力关系变异,以及肌肉长度对该关系的影响。
与现有工具相比,pNMS的独特之处在于其逆向建模方法、面向对象的程序设计、灵活的命令行接口以及自动化的并行环境配置。它填补了当前缺乏能够自动构建并并行仿真神经肌肉系统多尺度生物物理模型的公开可用工具包的空白。
当然,当前版本的pNMS也存在一些局限性,例如假设单个运动单位内的肌纤维同步激活且类型相同,模型主要基于麻醉猫的数据,在预测自主收缩行为方面有局限,且需要更多细胞水平的实验数据进行验证。未来的工作方向包括整合来自肌梭、高尔基腱器官等的反馈信号、考虑运动神经元特性的个体内变异、在肌肉模型中纳入疲劳、残余力增强/下降等现象,以及开发图形用户界面以提升用户体验。
总之,pNMS为在细胞分辨率下系统研究神经肌肉功能提供了一个强大而灵活的计算平台。其基于面向对象编程和统一建模语言的设计,也为社区驱动的软件扩展和跨学科应用(从基础神经肌肉生理学研究到康复工程假肢技术开发)奠定了良好基础。