从放电数据推断皮层神经元网络结构：一种统计物理学方法

理解皮层神经元网络结构与神经元活动之间的关系是神经科学中一个尚未解决的基本问题，这对我们理解神经元网络随时间自发或在刺激下演化的机制具有重要意义。这需要一种从神经元活动推断网络结构和组成的方法。追踪网络及其功能变化的演化，将为可塑性的发生和潜在的学习过程提供宝贵的见解。我们设计了一种概率方法，通过整合贝叶斯统计、统计物理学和原则性机器学习的技术来推断有效网络结构。该方法和所得算法允许推断有效网络结构，识别其组成成分的兴奋性和抑制性性质，并利用推断出的结构预测神经元尖峰活动。我们使用合成数据、硅内模拟器的自发活动以及具有模块化和均匀连接的真实体外神经元网络验证了该方法和算法的性能，展示了卓越的结构推断和活动预测能力。我们还表明，我们的方法优于常用的现有神经元网络结构推断方法。推断神经元网络不断演化的有效结构，将为一般刺激下的学习过程提供新见解，并促进具有计算能力的基于神经元的电路的开发。