一个用于解析体内记录神经元活动机制起源的in silico框架

《PLOS Computational Biology》：An in silico framework for dissecting the mechanistic origins of in vivo recorded neuronal activity

　　

研究人员如何识别活体大脑中记录到的电生理活动的机制起源？一个解决该问题的有前景策略是生成生物真实感模型，模拟这些模型如何将网络中的突触输入转化为其观察到的神经元活动。为此，研究人员在此提供其生成、模拟和分析网络嵌入神经元模型的方法，作为一个开源、完全文档化且免费可用的软件环境：计算机模拟框架（In Silico Framework, ISF）。ISF的核心概念是围绕在生物多样性模型集合上实现关于体内记录活动机制起源的“模型共识”（model consensus）。为实现这种模型共识，ISF提供三个关键工作流。首先，ISF使用户能够生成在亚细胞、细胞和网络尺度上均受到经验数据同等良好约束的模型，同时整个模型集合被构建为展示最大程度多样化的参数，覆盖每个尺度上经验观察到的生物变异所允许的全部范围。其次，ISF使用户能够识别出那些预测体内观察结果而无需为此进行调参的模型配置子集。第三，对于每个模型配置，ISF使用户能够识别哪些亚细胞、细胞和网络尺度的机制对于预测体内观察结果是必要的，哪些机制是可有可无的。由此，ISF可以揭示哪些机制在模型配置中常见，以及模型配置的多样性是否能解释不同动物、细胞和试验间体内观察到的活动变异性。本质上，通过实现这种模型共识，ISF预测了在生物变异中稳健的机制，因此这些机制可能确实在体内被使用。最后，ISF使用户能够从计算机模拟操作中推导模型共识，以确定哪些实验策略最适合在体内测试这些预测的机制。研究人员举例说明了如何利用ISF的这种迭代计算机模拟-体内方法来解析桶状皮层（barrel cortex）中感觉反应的机制起源。通过将ISF作为独立在线资源提供，研究人员相信它将促进生成、模拟和分析那些揭示体内记录活动机制起源的模型，这些模型可超越其最初设计的桶状皮层。

**论文解读：解析体内记录神经元活动机制起源的计算机模拟框架**

**研究背景、问题与意义**

大脑中每个神经元的电生理活动是亚细胞、细胞和网络尺度多种机制复杂相互作用的结果。当前体内外实验技术虽能提供关于突触动力学、树突电生理特性、形态重建、网络连接性等方面的见解，但研究这些机制在体内同时、协同运作的复杂性极具挑战。构建自下而上(bottom-up)的计算模型，整合这些独立获取的实验数据，有望在计算机模拟(in silico)中解析并解释这些机制如何支撑体内记录到的神经元活动（如感觉刺激诱发的动作电位(AP)产生）。然而，构建此类模型面临三大难题：①所需经验数据的数量和质量要求极高，需整合从亚细胞到网络尺度的多类测量；②不同尺度数据间存在巨大变异性，如何将其整合成一致的模型并不明确；③同一功能可由不同参数组合实现（参数简并性），单一模型无法可靠量化各机制的相关性，因而难以产生可实验检验的预测。为解决这些问题，研究人员开发了In Silico Framework(ISF)——一个开源、完全文档化的软件环境，旨在通过生成多样化的模型集合，并引入“模型共识”(model consensus)概念，来识别在体内观察到的神经元活动背后的机制。该研究发表在《PLOS Computational Biology》。ISF的价值在于，它提供了一种系统化方法，能从生物变异中提炼出稳健的机制预测，并指导实验验证，从而在计算机模拟与体内实验间形成迭代闭环。

**主要关键技术方法**

ISF包含三个核心工作流：①生成捕捉内在生理学的多样性神经元模型：基于形态重建、电生理记录和生物物理参数边界，通过优化(如BluePyOpt的IBEA算法)和探索算法，生成大量具有多样化参数的多房室模型。②生成捕捉体内条件的网络嵌入神经元模型：将神经元模型嵌入到密集神经毡模型(如大鼠桶状皮层模型)中，根据经验连接规则生成突触位置和来源，并基于体内活动记录(如细胞类型特异性平均发放率、刺激后时间直方图(PSTHs))生成突触激活模式，以模拟体内突触输入。③模拟与分析：通过数值积分模拟突触激活、离子通道和Ca²⁺缓冲动力学，比较模拟结果与体内观察活动（如发放率、感受野形状等），无需调参。然后通过模型约简（如广义线性模型(GLM)）和计算机模拟操作（如缩放突触权重、移除特定前馈输入）来揭示必要机制。

**研究结果**

**生成捕捉内在生理学的多样性神经元模型集合**
该工作流的目标是生成捕捉细胞类型内在生理学的神经元模型。输入数据包括形态重建、捕捉细胞类型内在生理学的电生理记录以及描述神经元被动和主动属性的生物物理参数边界。ISF将形态转化为多房室模型，插入离子机制，进行计算机模拟电流注入实验，优化生物物理参数直到模拟响应落在经验观察到的响应分布内。然后以该模型为种子点，探索生物物理参数空间，生成大量在形态电学上多样、生物物理参数在经验范围内且内在电生理与观察一致的神经元模型数据库。

**生成捕捉体内条件的网络嵌入神经元模型集合**
该工作流的目标是生成模拟特定体内实验条件的突触位置和激活模式。ISF通过两个步骤实现：①将神经元模型嵌入网络模型，提供突触数量、位置和前馈神经元来源的约束，生成与经验连接数据一致但突触数量和位置不同的网络嵌入模型集合。②基于经验突触强度（单突触后电位(uPSP)）和体内记录到的细胞类型特异性活动率，缩放突触权重并激活前馈神经元，生成时空突触活动模式。输出是一组在形态、生物物理、突触强度和分布、前馈起源和激活时间上覆盖广泛多样性的网络嵌入神经元模型数据库。

**从多样化网络嵌入神经元模型的模拟中预测体内活动的起源**
模拟这些模型后，将结果与体内观察活动（如感觉诱发放频率、感受野形状等）比较，无需调参。能产生观察活动的模型被视为有效假设。通过模型约简和计算机模拟操作两种策略进一步分析。模型约简（如将全模型简化为GLM）可揭示输入输出计算的可解析描述，并能跨模型比较变异性来源。计算机模拟操作（如缩放突触强度、移除特定前馈连接）可隔离各机制的相关性。两种策略结合可产生可实验检验的预测。

**示例应用：解释桶状皮层的感觉反应**
以层5锥体束神经元(L5PT)为例，ISF发现其快速且宽调谐的触须反应主要源于层6皮层-皮层神经元(L6CCs)的快速触须诱发放电。模型约简和操作均表明L6CCs对周围触须(SW)反应贡献最大，且其投射横跨整个桶状皮层。随后在体内实验中通过muscimol注射失活L6CCs，验证了该预测：移除L6CC输入后，L5PT的感受野中对应触须的反应消失，证实了预测机制。

**总结与讨论部分**

**讨论**
标准方法虽能记录活动相关性，但难以揭示其机制机制。ISF通过专注于“模型共识”概念，采用三大关键策略区别于其他自下而上模型：①生成参数最大程度多样化的模型集合；②识别无需调参即可预测体内观察的模型配置子集；③识别各模型配置中必要与可选的机制。ISF最终预测出在生物变异中稳健的机制，并可通过计算机模拟操作设计实验策略。局限性包括：模型可能因参数多样性不足而失败，此时需改进模型（如此前从单柱模型扩展到全桶状皮层模型）；模型失败本身能揭示模型假设、数据质量或构建策略的局限；计算资源需求巨大，但可通过高性能计算和模型约简缓解。此外，ISF暂未实现全生物物理细节的循环网络动力学模拟，但理论可行，未来可结合其他框架。

**研究结论**
ISF的核心概念是：①生成经验良好约束的模型集合，捕捉亚细胞、细胞和网络尺度内及跨尺度的生物多样性和简并性；②模拟体内条件而无需调参；③分析模拟以实现模型共识，揭示可能解释体内记录活动及其变异性（跨动物、细胞、试验）的机制起源；④利用计算机模拟操作确定最适合在体内测试预测机制的实验策略。尽管示例限于桶状皮层，但随着新实验技术（如视网膜、果蝇全脑EM重建）的发展，ISF及其理念的威力将不断增强。