論文の概要: Learning Hybrid Biophysical Neuron Models with Neural ODEs

• arxiv url: http://arxiv.org/abs/2606.16693v1
• Date: Mon, 15 Jun 2026 13:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.575606
• Title: Learning Hybrid Biophysical Neuron Models with Neural ODEs
• Title（参考訳）: ニューラルネットワークを用いたハイブリッド生体物理ニューロンモデルの学習
• Authors: Jonas Beck, Michael Deistler, Dóra Viktória Molnár, Jakob H. Macke, Philipp Berens,
• Abstract要約: 本稿では, ニューラル常微分方程式をコンダクタンスに基づく生体物理モデルに組み込むハイブリッド・モデリング・フレームワークを提案する。 ハイブリッドモデルは2400個のイオンチャネルモデルのゲーティング力学に適合し、単一の電流クランプ記録から未知のゲーティングダイナミクスを復元する。
• 参考スコア（独自算出の注目度）: 20.563327252400953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biophysical neuron models link measurements of neural activity to underlying cellular mechanisms. Yet, a central challenge is that the kinetics of many ion channels are poorly characterized, and practical simplifications -- omitting channels or reducing morphological detail -- introduce systematic gaps between model and biology. Bridging these gaps requires approaches that can flexibly discover unmodeled dynamics while preserving mechanistic interpretability. Here, we introduce a hybrid modeling framework that embeds neural ordinary differential equations into conductance-based biophysical models to capture unknown currents or mis-specified channel kinetics. By parameterizing the neural ODE in terms of voltage-dependent steady-state and time-constant functions, we recover interpretable gating dynamics directly from voltage recordings without assuming a functional form. We show that the hybrid model fits the gating kinetics of 2400 ion channel models and recovers unknown gating dynamics from single current-clamp recordings, generalizing to out-of-distribution stimulus regimes under realistic inputs and parameter misspecification. We also use our method to reduce a multicompartment model of a cortical neuron into a single-compartment hybrid model with a learned axial current, yielding up to an order of magnitude lower computational cost. Together, our results establish a plug-and-play framework for selectively replacing unknown components of conductance-based models with neural ODEs while preserving their mechanistic structure.
• Abstract（参考訳）: 生体物理ニューロンモデルでは、神経活動の測定と基礎となる細胞機構を関連付けている。 しかし、中心的な課題は、多くのイオンチャネルの速度論が不十分であり、実際的な単純化 -- チャネルの省略や形態的詳細の縮小 -- は、モデルと生物学の体系的なギャップをもたらすことである。 これらのギャップを埋めるには、機械的解釈可能性を維持しながら、非モデル化された力学を柔軟に発見できるアプローチが必要である。 本稿では, ニューラル常微分方程式をコンダクタンスに基づく生体物理モデルに組み込んで, 未知電流や不特定チャネル運動学を捉えるハイブリッド・モデリング・フレームワークを提案する。 電圧依存性の定常状態と時間定数関数でニューラルODEをパラメータ化することにより、機能形式を仮定することなく、電圧記録から直接解釈可能なゲーティングダイナミクスを復元する。 このハイブリッドモデルは、2400個のイオンチャネルモデルのゲーティング運動学に適合し、単一の電流クランプ記録から未知のゲーティングダイナミクスを復元し、現実的な入力とパラメータの誤特定の下での分布外刺激機構に一般化することを示した。 また,この手法を用いて,皮質ニューロンのマルチコンパートメントモデルを学習軸流を持つ単一コンパートメントハイブリッドモデルに還元し,計算コストを最大で1桁低減する。 本研究では,コンダクタンスモデルから未知のコンポーネントをニューラルODEに選択的に置き換え,その機構を保ちつつ,プラグイン・アンド・プレイ・フレームワークを構築した。

関連論文リスト

• Learning dynamical systems with biochemically informed neural ordinary differential equations [0.0]
  本稿では,ニューラルネットワークによる個々のプロセスの表現をしながら,メカニスティックモデルの確率的構造を保持するニューラル-ODEフレームワークを提案する。 BINODEでは、ニューラルネットワークプロセス(NNP)の出力は、統計量行列に類似した線形層を通して状態微分にマッピングされる。 BINODEは、部分的に知られている生化学的・生物学的力学系をモデル化する上で、機械的解釈可能性とデータ駆動の柔軟性の間に有用な妥協をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-05-22T19:43:41Z)
• 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)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  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、その一般化を実際の実験データで検証する最初の大規模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)
• Generative Modeling of Neural Dynamics via Latent Stochastic Differential Equations [1.5467259918426441]
  本稿では,生体神経系の計算モデル構築のためのフレームワークを提案する。 我々は、微分ドリフトと拡散関数を持つ結合微分方程式系を用いる。 これらのハイブリッドモデルは,刺激によって誘発される神経および行動応答の予測において,競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2024-12-01T09:36:03Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• 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。