基于具有最优重要性密度的粒子滤波的单神经元内在活动与突触输入的序贯估计

本文处理推断引起神经活动发生的信号与参数的问题。最终挑战是揭示大脑连接性，这里我们关注该问题的微观视角，其中单神经元（可能连接到同类网络）是我们研究的核心。唯一可用的观测是来自细胞内记录的带噪、采样电压轨迹。我们利用随机滤波提供的工具设计算法与推断方法，允许对问题进行概率解释和处理。使用粒子滤波我们能够重建电压轨迹并估计辅助变量的时间过程。通过PMCMC方法扩展该算法，我们也能够估计隐藏的生理参数，如内在电导或反转电位。最后但同样重要的是，该方法被应用于估计到达目标细胞的突触电导，从而重建突触兴奋/抑制输入轨迹。值得注意的是，这些估计即使在放电机制下也具有达到界（最优界）的性能。