通过近似神经元模型的递归分段数据同化推断离子电流动力学
定量方法
2025-07-01 v1 数学物理
math.MP
摘要
我们通过将信息从观测时间序列转移到 Hodgkin-Huxley 模型的状态变量和参数，从数据构建神经元模型。当学习期完成后，模型将预测额外的观测值，其参数唯一地表征离子通道的补集。然而，与模型数据相比，生物数据的同化因缺乏对真实神经元方程的了解而变得复杂。依赖猜测的电导模型深受多值参数解的困扰。在此，我们报告了使用故意错误的模型、过度指定的模型以及拟合海马神经元数据的近似模型所预测的参数和电流分布。我们引入了一种递归分段数据同化 (RPDA) 算法，当模型已知时，该算法以近乎完美的可靠性收敛。当模型未知时，我们表明模型误差会在某些参数之间引入相关性。从这些参数重建的离子电流是真实电流的极佳预测器，并且比底层参数具有更高的置信度（>95.5% vs >53%）。即使存在轻微的模型误差，未表达的离子电流也能被正确过滤掉。当模型未知时，发现参数估计的协方差特征值是模型误差的良好指标。我们的结果表明，通过关注电流估计而非参数，可以从数据中检索生物信息。
引用
@article{arxiv.2312.12888,
title = {Inferring the dynamics of ionic currents from recursive piecewise data assimilation of approximate neuron models},
author = {Stephen A. Wells and Joseph D. Taylor and Paul G. Morris and Alain Nogaret},
journal= {arXiv preprint arXiv:2312.12888},
year = {2025}
}