《Frontiers in Computational Neuroscience》：A nullcline-guided discrete-time map for neurons with subcritical Hopf bifurcation dynamics
编辑推荐：
处于亚临界Hopf分岔附近的神经元因其产生亚阈值振荡、在静息与重复放电之间维持双稳态，以及对接近其固有共振频率的输入优先放电的能力而区别于其他神经元。使用连续时间模型（如Hodgkin-Huxley形式）在大型神经网络中模拟这些特性在计算上代价高昂，这促使研究
处于亚临界Hopf分岔附近的神经元因其产生亚阈值振荡、在静息与重复放电之间维持双稳态，以及对接近其固有共振频率的输入优先放电的能力而区别于其他神经元。使用连续时间模型（如Hodgkin-Huxley形式）在大型神经网络中模拟这些特性在计算上代价高昂，这促使研究人员寻找保留关键动力学的简化表示。在此，研究人员利用膜电位与钾门控变量之间的时间尺度分离，并借助零斜率线几何近似沿三次v-零斜率线各分支的缓慢漂移，从连续INa, p+IK模型推导出一个二维离散时间映射。所得映射由一个产生真实动作电位波形的外部分段线性循环和一个再现焦点样亚阈值振荡的内部切换区域组成，一个缓慢的恢复变量控制着两者之间的转换。注入电流调制内部区域的大小，自然地编码了原始系统的分岔结构。数值模拟证实，该离散模型再现了双稳态、缓慢变化电流斜坡下的迟滞现象以及对周期性突发刺激的频率选择性放电等主要动力学标志——所有这些都无需求解任何微分方程。关键的是，该映射保留了连续模型中选择的物理可解释参数，同时用轻量级代数更新替代了连续时间积分。与显式欧拉和四阶龙格-库塔积分的基准测试表明，优化后的映射每次更新成本与欧拉方法相当，且远低于龙格-库塔方法，支持其作为亚临界Hopf动力学的紧凑、可解释的离散表示，而非连续模型的直接数值积分器。
研究背景：神经元动力学研究通常采用基于Hodgkin-Huxley框架的电导模型，但这类模型在大型网络模拟中计算成本极高。为降低计算负担，研究者发展了多种简化策略，包括积分放电模型、变量减少模型（如FitzHugh-Nagumo、Morris-Lecar、Izhikevich模型）以及离散时间映射。离散映射通过迭代而非微分方程求解，具有计算效率高的优势。然而，现有离散映射多基于现象学函数，参数缺乏生物物理可解释性。此前，研究团队针对鞍结-不变环（SNIC）分岔型神经元构建了零斜率线引导的离散映射（Zeki and Kap?ak, 2023），但该框架不适用于亚临界Hopf分岔型神经元。后者具有亚阈值振荡、双稳态、迟滞和共振特性，在认知信息处理中具有独特作用（如内嗅皮层、丘脑、下橄榄核等脑区）。因此，本研究旨在将零斜率线引导框架扩展至亚临界Hopf分岔型神经元，构建一个保留连续模型关键参数且能再现其动力学特征的离散时间映射。
研究内容与结论：研究人员从连续INa, p+IK模型出发，利用膜电位与钾门控变量之间的时间尺度分离，以及v-零斜率线的几何结构，推导出二维离散映射。该映射包含外部放电循环（产生动作电位波形）和内部切换区域（再现焦点样亚阈值振荡），恢复变量控制两者的转换。注入电流调制内部区域大小，从而编码原始系统的分岔结构。数值模拟验证了该映射能再现双稳态（静息态与放电态共存）、电流斜坡下的迟滞现象以及频率选择性共振响应。计算基准测试表明，优化后映射的单步更新成本与显式欧拉方法相当，远低于四阶龙格-库塔方法。该工作为亚临界Hopf神经元提供了一种紧凑、可解释的离散表示，论文发表在《Frontiers in Computational Neuroscience》。
关键技术方法：研究人员采用以下主要技术方法：（1）基于连续INa, p+IK模型（Izhikevich, 2007）的零斜率线分析，确定v-零斜率线方程及慢分支漂移近似；（2）利用慢-快分解，将动力学约化为沿v-零斜率线左、右分支的慢漂移，并定义外部放电循环的电压边界（vlow、vhigh）；（3）构建电流依赖的内部切换区域Ωin(I)，其宽度δv(I)随电流增大而收缩，以模拟不稳定极限环的收缩；（4）设计分段线性更新规则，包括外部放电循环（Fout）和内部焦点更新（Fin），以及恢复变量更新（G）；（5）通过数值模拟（直接迭代映射）验证双稳态、迟滞和共振特性，并与连续模型（使用MATLAB ode45求解器）的动力学特征进行对比；（6）进行计算基准测试，比较映射与显式欧拉及四阶龙格-库塔（RK4）积分器的轨迹生成速度。
研究结果：
3.1 双稳态与映射动力学：通过构建在I=34μA下的映射蛛网图，研究人员发现映射中存在一个稳定不动点（静息态，约-53mV）和一个大幅值稳定周期轨道（放电态），两者由内部区域Ωin分隔。启动于Ωin内的轨迹由Fin支配，产生阻尼亚阈值振荡并收敛至不动点；启动于Ωin外的轨迹由Fout支配，产生弛豫型动作电位。该结果证明离散映射再现了连续模型的双稳态现象。
3.2 迟滞现象：将注入电流从约33μA斜坡上升至38μA再下降回基线，映射显示：上升阶段神经元保持静息态，当电流超过分岔阈值（δv→0，Ωin坍塌）时，轨迹突然进入外部放电循环，产生大幅值动作电位；电流下降后，放电持续存在，体现出路径依赖的迟滞行为。该结果与连续模型（图2）一致，表明映射保留了双稳态导致的迟滞特性。
3.3 共振：通过施加周期性突发刺激（交替于32.5μA和37μA），研究人员发现：当刺激周期为40步时，每个脉冲与亚阈值振荡的上升相位对齐，多次积累后轨迹突破Ωin，触发持续放电（共振响应）；当刺激周期为30步时，脉冲与振荡相位错位，不能积累，轨迹保持亚阈值。该频率选择性来源于Fin内部的符号反转耦合，再现了亚临界Hopf神经元的共振特性。
3.4 针对连续模型的特征级验证：研究人员以动力学特征（而非点对点电压误差）为验证标准。连续模型通过Jacobian特征值确认静息态在I≈35.4μA处失去稳定性（亚临界Hopf分岔）；离散映射中，Ωin在I≈36μA处坍塌（误差约1.7%），双稳态、迟滞和共振行为均与连续模型定性一致。亚阈值振荡的小振幅周期（约5步）与连续模型焦点本征周期（约4.6ms）接近。
3.5 参数变化范围：主要变化参数为注入电流I（分岔参数），在双稳态窗口[32, 36]μA内变化。其他参数（电导、反转电位、零斜率线几何等）固定为校准值，以确保系统处于亚临界Hopf区域。研究验证了在Hopf窗口内，主要行为对参数适度变化具有鲁棒性。
3.6 计算基准测试：优化后的映射每次保存状态更新耗时0.62μs，显式欧拉为0.47μs，RK4为1.82μs。映射成本与欧拉相近，比RK4快约2.95倍。表明映射是一种轻量级更新，而非对所有ODE求解器都有速度优势，其核心价值在于构建可解释的离散动力学系统。
讨论总结：本研究的核心贡献在于构建了一个离散时间映射，在分段参数保持框架下捕捉了亚临界Hopf神经元的双稳态、迟滞和频率选择性共振。与Poincaré截面映射相比，该映射在整个电压范围内定义，无需依赖周期性，能表示瞬态和亚阈值轨迹。与现象学映射（如Chialvo、Rulkov模型）相比，其慢分支增量和外部循环边界继承自连续模型的零斜率线几何，参数具有生物物理可解释性。与先前SNIC映射（Zeki and Kap?ak, 2023）相比，新映射引入了内部切换区域Ωin，以模拟焦点样亚阈值振荡和电流依赖的极限环收缩。双稳态赋予神经元输入历史记忆，共振特性支持频率编码信息处理。然而，该映射存在局限性：仅覆盖双稳态区域，未严格证明迭代与连续流之间的收敛性，快速分支斜率固定为现象学常数。在网络应用中，需考虑异构动态、准静态突触输入假设的适用性，以及分段切换可能引入的人工锁相效应。未来需进行实验校准和验证。
研究结论：该工作的核心贡献是构建了一个离散时间映射，在分段参数保持框架下捕捉了亚临界Hopf神经元的双稳态、迟滞和频率选择性共振。
