《Journal of Computational Neuroscience》：A spatially discretized convolutional neural mass model for studying meso-scale spatio-temporal transformations in the rat hippocampus
编辑推荐：
大脑在多个空间和时间尺度上运作，需要计算高效的模型来连接微观尺度机制与中尺度和宏观尺度动力学。在此，研究人员介绍了一种新型卷积神经质量模型（CNMM），该模型计算大鼠海马CA3亚区中空间离散化神经群体（“神经质量”）的中尺度活动。CNMM采用基于核的架构，利用
大脑在多个空间和时间尺度上运作，需要计算高效的模型来连接微观尺度机制与中尺度和宏观尺度动力学。在此，研究人员介绍了一种新型卷积神经质量模型（CNMM），该模型计算大鼠海马CA3亚区中空间离散化神经群体（“神经质量”）的中尺度活动。CNMM采用基于核的架构，利用一阶伏尔特拉（Volterra）展开与拉盖尔（Laguerre）（时间）和切比雪夫（Chebyshev）（空间）基函数，将来自内嗅皮层（EC）、齿状回（DG）和相邻CA3质量的输入尖峰密度转换为输出CA3尖峰密度。该模型使用来自一个模拟探索行为的生物物理详细大规模机制模型（LSM）的数据进行训练和验证。CNMM在跨越整个CA3的32个神经质量上实现了对尖峰密度的高预测精度（平均相关系数\(R = 0.951 \pm 0.027\)），并复现了与实验发现一致的θ和β振荡。当扩展用于前向建模时，CNMM准确预测了单个神经质量的局部场电位（LFPs）（\(R = 0.952\)），证明了该方法的可行性。核分析揭示了传入整合中的地形梯度，其中DG输入在近端（CA3c）占主导，而联合连接在远端（CA3a）占主导，这与解剖学梯度一致。与LSM相比，CNMM在模拟时间上提供了658倍的加速，在内存使用上减少了322倍，在LFP预测的磁盘空间上减少了183倍。该框架为神经组织的中尺度建模提供了一种可扩展、高效的方法，桥接了详细模拟与经验数据，并为未来研究正常和病理脑功能奠定了基础。
**论文解读文章**
**研究背景、问题与意义**
大脑是一个固有的多尺度系统，其操作跨越多个空间和时间尺度，从离子通道的纳米级分子相互作用到整个脑区的毫米/厘米级宏观网络。时间上，动力学从神经递质的微秒级囊泡释放延伸到神经退行性过程的数年。理解这些尺度间的相互作用对于阐明认知和行为的机制至关重要，尤其在药物作用和神经疾病研究中。计算神经科学长期致力于开发多尺度模型，但将不同尺度的详细模型直接组合需要巨大的计算资源，限制了大规模模拟的可行性。大型机制模型（LSM），如模拟大鼠海马EC-DG-CA3系统的模型，包含数千至数百万神经元，能够捕捉中尺度动力学，但运行在超级计算机或高性能集群上，计算负担沉重。神经质量模型（NMMs）通过平均群体活动降低了维度，但传统NMMs往往抽象了输入特异性转换，缺乏空间分辨率和地形学处理。输入输出建模方法，如伏尔特拉（Volterra）级数，通过直接映射输入到输出实现了计算效率，但提供了较少的机制洞察。因此，亟需一种既能高效模拟中尺度活动，又能保持生物可解释性（如地形梯度）的建模方法。本研究旨在提出一种基于核的卷积神经质量模型（CNMM），将伏尔特拉展开与拉盖尔（Laguerre）和切比雪夫（Chebyshev）基函数结合，用于大鼠海马CA3亚区的空间离散化神经质量，以桥接微观机制与宏观动力学，并大幅降低计算需求。该研究发表在《Journal of Computational Neuroscience》，为理解正常和病理脑功能提供了可扩展的中尺度建模框架。
**主要关键技术与方法**
研究人员采用以下关键技术方法：（1）基于核的架构，使用一阶伏尔特拉（Volterra）展开，其中时间域用拉盖尔（Laguerre）基函数展开，空间域用切比雪夫（Chebyshev）基函数展开，构建EC、DG和耦合（相邻CA3）核以及反馈核。（2）训练数据来自一个生物物理详细的大规模机制模型（LSM），该模型模拟大鼠海马EC-DG-CA3系统（神经元数量约为真实海马的1/10），在80 cm×80 cm方形环境中进行40秒探索行为，由内嗅皮层（MEC）网格细胞和LEC随机放电驱动。（3）使用粒子群优化（PSO）算法优化每个神经质量的6个开放元参数，并采用岭回归估计核权重，以最小化CNMM预测与LSM参考尖峰密度之间的均方误差。（4）对于LFP预测，将CNMM扩展为7个电流层模型（对应CA3不同层），预测总跨膜电流，并通过点源近似转换为LFP。所有模拟在AMD EPYC 7513 CPU上执行。
**研究结果**
**3.1 尖峰密度预测精度**
通过计算32个跨越CA3的神经质量的预测尖峰密度与参考信号（来自LSM验证集，8000 ms模拟）的相关系数（R），评估CNMM性能。结果：最小R=0.887，最大R=0.986，平均R=0.951±0.027，表明CNMM具有强预测能力。功率谱密度（PSD）分析显示，CNMM复现了LSM的θ频段（4-8 Hz）振荡，并在CA3远端（CA3a）神经质量中观察到高β频段（20-30 Hz）功率增加，这与实验发现（探索新环境）和已知的CA3地形梯度（CA3a中爆发型细胞和联合连接密度更高）一致。此外，将MEC输入切换为随机齐次泊松放电（平均5.50 Hz）进行泛化测试，CNMM仍保持较高精度（R值略有下降），证明了对不同输入统计特性的鲁棒性。
**3.2 尖峰密度估计中的核贡献**
通过计算每个核的均方根（RMS）系数作为核强度，量化不同传入（EC、DG、联合连接）对CA3群体输出的贡献。结果：DG核强度在CA3近端（CA3c）占主导，向远端（CA3a）显著降低；而耦合（联合连接）核强度在远端占主导，近端较低。这一梯度与已知解剖学梯度一致：苔藓纤维突触密度在CA3c最高、CA3a最低，而CA3联合连接密度在CA3a最高、CA3c最低。此外，示例核（位于CA3中部）显示：EC核具有初始抑制成分后接缓慢兴奋；DG和反馈核呈现阻尼振荡，交替兴奋和抑制，反映了强E-I回路参与；耦合核在不同空间滞后上呈现双相时间轮廓。
**3.3 LFP预测精度**
将CNMM扩展为LFP-CNMM，预测单个靠近CA3中心的神经质量的LFP（电极置于距神经质量中心500 μm，位于辐射层与圆锥层之间）。CNMM预测的LFP与LSM参考LFP（通过点源近似计算总跨膜电流）的相关系数R=0.952，证明了前向建模的可行性。
**3.4 计算效率**
比较CNMM与LSM在40,000 ms模拟时间内的计算资源。LSM（1/10规模，100核并行）平均耗时27.75小时（2,775计算小时），内存660.14 GB；CNMM（304个神经质量线性外推）耗时4.22小时，内存2.05 GB，实现了658倍模拟加速和322倍内存减少。对于LFP预测，CNMM仅需存储0.30 GB的尖峰密度文件，而LSM（1/10规模）需55 GB，全规模则需约550 GB，磁盘空间减少183倍（1/10规模）或1833倍（全规模）。优化成本分析表明，使用更短的PSO协议（15分钟/神经质量，20个粒子）仍可保持平均R=0.944±0.030，总计算成本降至1,888小时。
**总结与讨论**
讨论部分指出，CNMM通过核基输入输出架构，克服了传统NMMs缺乏空间分辨率和输入特异性的局限性，并基于LSM数据验证了其在行为相关条件下的准确性。CNMM的核分析提供了直接量化不同传入在不同地形位置贡献的方法，核强度梯度与解剖学梯度一致，而核谱可能作为病理状态的标记（如癫痫中核波形改变）。与LSM相比，CNMM在保持高预测精度的同时大幅降低了计算需求，使长时程模拟（分钟至小时）成为可能，且独立于神经元数量，适合前向建模（如LFP、fUS）。但CNMM作为输入输出模型，失去了LSM的直接机制控制，隐式处理抑制性中间神经元，且目前以开环方式运行（耦合核输入来自LSM而非其他CNMM单元），限制了其泛化性和闭环应用。此外，CNMM严重依赖LSM生成训练数据，其预测反映的是LSM而非真实海马动力学，需要实验验证。未来方向包括：开发闭环版本、扩展至真实实验数据（如LFP、fUS）、提取核谱用于临床诊断。研究结论部分（论文最后一段）翻译如下：
这项初步研究为一种新颖的计算方法奠定了基础，该方法利用了输入输出建模、神经质量建模和前向建模的各个方面。研究人员已证明，CNMM框架能够成功预测跨越CA3的中尺度动力学。它为前向建模提供了一个有前景的基础，可以支持神经系统中尺度空间范围的分析，同时大大减少了通常与详细大型机制模型相关的计算需求。值得注意的是，虽然CNMM能以极少的计算资源复现LSM中观察到的群体动力学，但本工作的目标并非用CNMM取代LSM。相反，两种模型扮演着互补和协同的角色，共同增强彼此的相关性和能力。LSM提供的生物细节使科学家能够调整几乎任何机制并观察其多尺度效应。然后，CNMM可用于从这些LSM模拟中提取核，并可能识别与该机制相关的核谱。然后，经验数据中的核提取可用于根据与已识别核谱的相似性来帮助表征受试者的潜在神经状态，或验证模拟衍生的核谱与经验衍生的核谱是否匹配，从而提高模型有效性。此类应用突显了基于核的分析在桥接计算预测与真实世界观察方面的潜力，并支持未来更精确诊断和针对性研究策略的努力。最终，通过整合详细机制模拟与高效中尺度建模，CNMM范式提供了一个可扩展框架，用于推进对海马功能的理解，并为未来在研究和临床背景下研究功能障碍提供潜在基础。
