論文の概要: Fast reconstruction of degenerate populations of conductance-based neuron models from spike times
- arxiv url: http://arxiv.org/abs/2509.12783v1
- Date: Tue, 16 Sep 2025 08:02:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.955498
- Title: Fast reconstruction of degenerate populations of conductance-based neuron models from spike times
- Title（参考訳）: スパイク時間から導電性ニューロンモデルの退化集団の高速再構築
- Authors: Julien Brandoit, Damien Ernst, Guillaume Drion, Arthur Fyon,
- Abstract要約: スパイク時間は細胞内と細胞外の両方で実験的に記録することができ、最先端の神経プローブの主要な出力である。
スパイクタイミングをイオンチャネル組成に接続することは、これまでも困難な作業である。
深層学習と動的入力コンダクタンス(DIC)という理論ツールを組み合わせた手法を開発した。
我々のアプローチでは、深層学習を用いて、スパイク時間から直接DICを推定し、観察された活動を再現する「双子」ニューロンモデルの集団を生成する。
- 参考スコア（独自算出の注目度）: 1.226598527858578
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Neurons communicate through spikes, and spike timing is a crucial part of neuronal processing. Spike times can be recorded experimentally both intracellularly and extracellularly, and are the main output of state-of-the-art neural probes. On the other hand, neuronal activity is controlled at the molecular level by the currents generated by many different transmembrane proteins called ion channels. Connecting spike timing to ion channel composition remains an arduous task to date. To address this challenge, we developed a method that combines deep learning with a theoretical tool called Dynamic Input Conductances (DICs), which reduce the complexity of ion channel interactions into three interpretable components describing how neurons spike. Our approach uses deep learning to infer DICs directly from spike times and then generates populations of "twin" neuron models that replicate the observed activity while capturing natural variability in membrane channel composition. The method is fast, accurate, and works using only spike recordings. We also provide open-source software with a graphical interface, making it accessible to researchers without programming expertise.
- Abstract（参考訳）: ニューロンはスパイクを介して通信し、スパイクタイミングは神経処理の重要な部分である。
スパイク時間は細胞内と細胞外の両方で実験的に記録することができ、最先端の神経プローブの主要な出力である。
一方、神経活動は、イオンチャネルと呼ばれる多くの異なる膜貫通タンパク質が生成する電流によって分子レベルで制御される。
スパイクタイミングをイオンチャネル組成に接続することは、これまでも困難な作業である。
この課題に対処するため,我々は,深層学習と動的入力コンダクタンス(DIC)という理論ツールを組み合わせる手法を開発した。
我々のアプローチでは、深層学習を用いて、スパイク時間から直接DICを推定し、観察された活動を再現し、膜チャネル組成の自然変動を捉えながら「ツイン」ニューロンモデルの集団を生成する。
この方法は高速で正確で、スパイク記録のみを使用して動作する。
グラフィカルなインターフェースを備えたオープンソースソフトウェアも提供しています。
関連論文リスト
- Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - Neuromorphic Online Clustering and Its Application to Spike Sorting [0.783218941317936]
動的オンラインクラスタリングが可能な基本的なニューラルネットワーク構築ブロックとして,ニューロモルフィックデンドライトを開発した。
ニューロモルフィックデンドライトの特徴と能力は、実験的神経科学(スパイクソート)のベンチマークによって示される。
提案したデンドライトの精度は、より計算集約的でオフラインなk平均クラスタリング手法と比較される。
論文 参考訳（メタデータ） (2025-06-14T15:53:55Z) - NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。
内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。
NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-06-05T01:01:18Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Neuronal Learning Analysis using Cycle-Consistent Adversarial Networks [4.874780144224057]
我々は、-CycleGANと呼ばれる深層生成モデルを用いて、前学習と後学習の神経活動の間の未知のマッピングを学習する。
我々は,カルシウム蛍光信号を前処理し,訓練し,評価するためのエンドツーエンドパイプラインを開発し,その結果の深層学習モデルを解釈する手法を開発した。
論文 参考訳（メタデータ） (2021-11-25T13:24:19Z) - Deep inference of latent dynamics with spatio-temporal super-resolution
using selective backpropagation through time [15.648009434801885]
現代の神経インタフェースは、脳回路内の100万のニューロンの活動をアクセスすることができる。
帯域幅制限はしばしば、より大きな空間サンプリング(より多くのチャンネルやピクセル)と時間サンプリングの頻度の間のトレードオフを生み出す。
ここでは、ニューロン間の関係を利用して、ニューロン時系列における超解像を得ることが可能であることを実証する。
論文 参考訳（メタデータ） (2021-10-29T20:18:29Z) - Spatiotemporal Spike-Pattern Selectivity in Single Mixed-Signal Neurons
with Balanced Synapses [0.27998963147546135]
混合信号ニューロモルフィックプロセッサは推論と学習に使用できる。
ネットワーク層の実装に不均一なシナプス回路をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2021-06-10T12:04:03Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳（メタデータ） (2021-04-22T04:01:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。