NOBLE -- 用于捕捉生物神经元模型中实验变异性的神经算子带生物学信息潜在嵌入
机器学习
2026-02-04 v4 人工智能
神经元与认知
摘要
表征神经元细胞属性是理解大脑功能的基本任务。为此, 生物真实模型的生成至关重要, 旨在整合多模态细胞数据集并建立因果关系。然而, 当前建模方法受限于实验神经元数据的稀缺性和内在变异性。生物真实模型的确定性形式目前无法account for实验中观察到的自然变异性。虽然深度学习在这一领域日益重要, 但未能捕捉神经元的完整生物物理复杂性、其非线性电压动力学以及变异性。为解决这些不足, 我们引入NOBLE, 一种神经算子框架, 通过学习从可解释神经元特征的连续频率调制嵌入到由电流注射诱导的细胞质电压响应之间的映射。基于来自生物真实神经元模型生成的合成数据训练的NOBLE能够预测捕捉内在实验变异性的神经动力学分布。不同于传统生物真实神经元模型, 在嵌入空间内插可获得与实验观察到的响应一致的模型动力学。NOBLE高效地生成接近实验数据且表现出试至试变异性的合成神经元, 相较于数值求解器快达。NOBLE是首个在真实实验数据上验证其泛化能力的规模化深度学习框架。如此, NOBLE以独特且涌现的方式捕捉基本神经属性, 为更好地理解细胞组成与计算、神经形态学架构、大规模脑环路及更广泛的神经AI应用开辟了可能性。
引用
@article{arxiv.2506.04536,
title = {NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models},
author = {Luca Ghafourpour and Valentin Duruisseaux and Bahareh Tolooshams and Philip H. Wong and Costas A. Anastassiou and Anima Anandkumar},
journal= {arXiv preprint arXiv:2506.04536},
year = {2026}
}