利用领域专用循环神经网络发现离子模型中的隐藏状态
机器学习
2020-11-17 v1 计算工程、金融与科学
神经元与认知
摘要
离子模型是描述可兴奋细胞状态随时间演化的常微分方程（ODEs）集合，是神经与心脏电生理建模的基石。现代离子模型可具有数十个状态变量和数百个可调参数。将离子模型拟合到实验数据（通常仅覆盖状态变量的有限子集）仍然是一个具有挑战性的问题。在本文中，我们描述了一种专门设计用于编码离子模型的循环神经网络架构。该模型的核心是一个门控神经网络（Gating Neural Network, GNN）层，捕捉经典（Hodgkin-Huxley）门控变量的动力学。该网络分两步训练：首先，它学习编码在一组ODEs中的理论模型；其次，它在实验数据上重新训练。重新训练后的网络是可解释的，因此其结果可以重新纳入模型ODEs中。我们使用模拟的心室动作电位信号测试了GNN网络，并表明它可以推断出在生理学上可行的离子电流改变。此类领域专用神经网络可在数据同化的探索阶段中使用，之后再使用标准优化技术进行进一步微调。
引用
@article{arxiv.2011.07388,
title = {Discovery of the Hidden State in Ionic Models Using a Domain-Specific Recurrent Neural Network},
author = {Shahriar Iravanian},
journal= {arXiv preprint arXiv:2011.07388},
year = {2020}
}