单神经元中的计算：重温霍奇金与赫胥黎

一个放电神经元通过将对复杂动态输入的变换转化为一串动作电位或脉冲来进行“计算”。神经元所执行的计算可表述为降维或特征检测，随后是该低维空间上的非线性决策函数。基于白噪声输入的反向相关技术的推广提供了从实验数据中提取相关低维特征的数值策略，且信息论可用于评价低维近似的质量。我们应用这些方法分析最简单且具生物物理真实性的模型神经元——霍奇金–赫胥黎模型，以此系统阐明一般方法学问题。我们聚焦于触发脉冲的刺激特征，显式消除了脉冲间相互作用的影响。可将此触发“特征空间”近似为输入历史高维空间中的二维线性子空间，从而捕获输入与脉冲时间间互信息的可观部分。然而我们发现，更好的近似是将相关子空间描述为二维但弯曲的；以此方式即使在高时间分辨率下也能捕获 90% 的互信息。我们的分析提供了对霍奇金–赫胥黎模型计算性质的新理解。虽然将神经行为近似为“积分发放”很常见，但 HH 模型既不是积分器，也不能由单一阈值很好描述。