传递函数法实现形态学神经元模型到点神经元模型的约化

《Journal of Neuroscience Methods》：The transfer function as a method to reduce morphological models into point-neuron models

　　

研究人员生成了具有与形态学详细模型等效放电响应的简化神经元模型。该过程通过计算传递函数（transfer function）映射神经元输入-输出特性来实现。这一约化方法在两种截然不同的神经元形态中得到了验证。这项工作有助于构建具有真实放电特性的大规模网络。

神经元的精确功能表征面临模型复杂度与性能之间的权衡。形态学模型包含尺寸、形状、通道分布、突触位置等大量细节，但计算开销大，难以用于大规模网络模拟；点神经元模型将神经元视为单一均匀隔室，结构简单但缺乏形态学相关信息。以往约化方法多着重保留被动电学特性、亚阈值响应或树突-体细胞衰减等，未在功能层面匹配输入-输出放电关系。此外，昆虫神经元与哺乳动物神经元在形态学上差异显著，但此前缺乏用于跨物种比较的功能表征方法。为此，研究人员提出基于传递函数匹配的约化策略，在体内样波动突触输入条件下，通过匹配电压统计量和放电频率响应，将形态学详细模型约化为点神经元模型。该研究选取果蝇幼虫Basin-2中间神经元与大鼠运动神经元两种形态和突触组织截然不同的神经元作为测试案例，旨在检验该方法是否依赖于特定几何结构或空间尺度。

研究人员首先计算形态学模型的传递函数，其定义为输出放电率ν_out关于电压均值μ_V、标准差σ_V和电压相关时间τ_V的函数。通过模拟不同兴奋性输入频率ν_e和抑制性输入频率ν_i组合（1–30 kHz），获得这些电压矩和放电率，并用二阶多项式拟合有效电压阈值。随后，研究人员采用自适应指数积分放电模型（adaptive exponential integrate-and-fire model, AdEx）作为点神经元模型，先通过电流钳模拟拟合被动参数（膜电容C_m、漏电导g_l、反转电位E_L），再优化突触权重和时间常数以匹配电压矩，最后重新计算传递函数并拟合至形态学模型结果。研究结果显示，对于Basin-2，μ_V和σ_V拟合良好（R2分别为0.9808和0.9468），τ_V在绝对值上偏差较大（R2=?0.9765）。直接拟合传递函数多项式能很好地重现平滑的放电率面（R2=0.9966），但完整AdEx流水线得到的放电率面与原始模拟面相比，仅保留总体趋势（R2=0.4657）。对于大鼠运动神经元，μ_V和σ_V同样拟合良好（R2=0.8933和0.8836），τ_V存在系统差异但总体变化趋势一致。直接传递函数拟合的R2=0.9909，完整流水线的R2=0.9694，一致性较高。此外，对比未优化的AdEx模型（直接采用突触位点权重而不考虑突触后电位有效滤波），未优化模型无法复现放电饱和特性，最高放电率达248.5 Hz，而形态学模型最大仅为58.3 Hz，证明拟合电压矩和传递函数对保留神经元输入-输出关系至关重要。

关键技术方法包括：使用NEURON模拟环境；通过模拟计算电压矩μ_V、σ_V、τ_V和放电率；采用二阶多项式拟合有效阈值；使用AdEx模型作为单隔室目标模型；被动参数通过电流钳模拟拟合；突触参数通过最小化解析与模拟电压矩差异获得。Basin-2的突触分布基于幼虫中枢神经系统电镜重建数据（Catmaid），来自特定感觉运动网络（Ohyama等；Jovanic等）；大鼠运动神经元则按体区、近端树突和远端树突三个区域分配突触密度。

3.1 Basin-2形态学模型传递函数的计算
研究人员基于电镜重建数据构建了Basin-2的感觉运动网络突触输入，模拟得到电压矩和放电率。拟合的AdEx模型能较好重现μ_V和σ_V表面，但τ_V绝对值差异较大。直接拟合传递函数多项式与平滑目标高度一致（R2=0.9966），但完整流水线预测的放电率表面与原始模拟表面相比，虽保持总体输入依赖关系，逐点一致性中等（R2=0.4657）。这表明在Basin-2中，约化模型主要保留了整体的频率调节趋势。

3.2 大鼠运动神经元传递函数的计算
采用相同方法处理大鼠运动神经元，不同区域突触密度由生物学范围设定。拟合的AdEx模型同样精确重现μ_V和σ_V，τ_V绝对值有系统偏移但趋势一致。直接传递函数拟合R2=0.9909，完整流水线R2=0.9694，表明放电率输入-输出关系在约化后仍高度保持。通过对比非调谐AdEx模型，证明基于电压矩和传递函数拟合的有效参数对于复现放电率饱和至关重要。

讨论部分，研究人员将本方法与Rall等效电缆、隔室修剪、树突-体细胞衰减保持、活性约化等传统方法比较。这些方法通常保留几何或亚阈值性质，而本方法将传递函数作为功能性约化目标，所得单室模型在波动输入下具有等效放电特性。两种形态差异极大的神经元成功约化表明该方法可能适用于不同解剖组织，但需在更多动态范围和形态类型中进一步验证。展望包括直接从形态学模型构建平均场模型，以及利用该方法研究形态特性（如胞体位置、活性树突、突触分布）对放电函数的影响。研究结论可概括为：研究人员提出了一种基于传递函数匹配的约化方法，能够将形态学详细模型转化为具有相似电压统计量和放电频率响应的点神经元模型，为大规模网络模拟和跨物种神经元功能比较提供了有效工具。