Neues Werkzeug gewidmet, die Vereinfachung von komplexen Neuronen-Modelle

Wissenschaftler an der hebräischen Universität in Jerusalem und der EPFL Blue Brain Projekt entwickelt haben Neuron_Reduce, eine neue, computergestützte Werkzeug, die wissenschaftliche Gemeinschaft mit einer einfachen Funktion zur Vereinfachung der komplexen Neuronen-Modelle von jedem Zelltyp und immer noch originalgetreu erhalten Ihren input-output-Eigenschaften, während deutlich reduzieren simulation run-time.

Detaillierte neuron-Modelle, die aus tausenden von Synapsen sind entscheidend für das Verständnis der computational Eigenschaften der einzelnen Neuronen und große neuronale Netze, und für die Interpretation der experimentellen Ergebnisse. Simulationen dieser Modelle sind jedoch rechnerisch aufwendig (mit viel computing Stunden), die erheblich sinkt Ihr nutzen. Für das erste mal, Wissenschaftler an der hebräischen Universität in Jerusalem und der EPFL Blue Brain-Projekt formuliert eine eindeutige analytische Herangehensweise an die Herausforderung der Reduzierung der Komplexität der neuron-Modelle unter Beibehaltung Ihrer wichtigsten input – /output-Funktionen und Ihre rechnerischen Fähigkeiten.

Reduzierte Modelle für Nervenzellen und Netzwerke bilden eine Brücke zwischen der hoch detaillierte Modelle erfassen minute experimentellen Details und die einfacheren Modelle, eignen sich besser zur theoretischen interpretation der sich auf die Kosten fehlen wichtige details. Diese bridging-Modellen erheblich reduzieren die Menge an Rechenzeit als auch Speicher, die benötigt werden für detaillierte neuron-Modelle (und die Netzwerke, die Sie bilden) und führen zu einer schnelleren simulation Zeit-und eine größere neuronale Schaltung, die simuliert werden können.

Neuron_Reduce ist ein neues analytisches Werkzeug, das bietet eine einzigartige multi-zylindrisch reduzierte Modell für komplexe nichtlineare Neuronen-Modelle, sowohl in Bezug auf die Reduzierung der morphologischen Komplexität und die Verringerung der Rechenzeit. Das tool analytisch-Karten, detaillierte dendritischen Baum in einen reduzierten multi-zylindrische Struktur, basierend auf Rall die Kabel-Theorie und linearer Schaltkreis-Theorie. Synapsen und ionenkanälen zugeordnet sind, um das reduzierte Modell die Erhaltung Ihrer transfer-Impedanz an dem soma (Zellkörper); Synapsen mit identischen transfer Impedanz sind zusammengeführt in einem NEURON Prozess alle unter Beibehaltung Ihrer individuellen Aktivierungs-Zeiten.

„Neuron_Reduce ist eine bedeutende innovation in der analytischen Modellierung dendritischen Berechnungen“, erklärt Prof. Idan Segev, David & Inez Myers, Professor in Computational Neuroscience und Leiter der Abteilung von Neurobiologie an der hebräischen Universität von Jerusalem (HUJI). „Die analytisch reduzierten Modell bewahrt eine große Menge von unterhalb der Reizschwelle liegender und suprathreshold Funktionen des detaillierten Modells, einschließlich der Identität des einzelnen Stamm Dendriten, Ihre biophysikalischen Eigenschaften sowie die Identität von einzelnen Synapsen und die Vielzahl von leicht erregbaren Ionenkanäle, und es erhöht die Rechengeschwindigkeit des Modells durch Hunderte von Zeiten,“ Segev sagt.

Ein wesentlicher Vorteil der Reduzierung-Algorithmus, auch als Aussteller seiner Solidität, ist, dass es behält die Größe der transfer-Impedanz von jedem dendritischen Lage an der soma. Oren Amsalem, Neurobiologe an der HUJI beschreibt, warum dies so wichtig ist, „da in der linearen Systeme, die transfer-Impedanz ist der gegenseitige, Neuron_Reduce bewahrt auch die transfer-Impedanz im somato-dendritischen Richtung der passiven dendritischen Bäume. Zum Beispiel, eine Injektion von Strom in soma wird in der gleichen Spannung die Antwort auf die jeweiligen dendritischen Seiten in der detaillierte und reduzierte Modelle, daher die Erhaltung der bidirektionalen Kommunikation zwischen dem soma und den Dendriten,“ Amsalem sagt.

Ein wichtiges Instrument für computational brain science

Ein weiterer entscheidender Vorteil der Neuron_Reduce ist, dass es bewahrt die Identität des einzelnen Synapsen und Ihre jeweiligen Dendriten. Es behält auch spezielle Membran-Eigenschaften und dendritischen Nichtlinearitäten, daher die Aufrechterhaltung der spezifischen dendritischen Berechnungen. Darüber hinaus Neuron_Reduce schont ebenfalls die passiven Kabel-Eigenschaften (Rm, Ra, und Cm) das detaillierte Modell, damit die Erhaltung der synaptischen integration und andere zeitliche Aspekte des detaillierten Modells.

„Im Zuge der Anwendung der computational Ansätze, zunächst auf das Gehirn der Maus und letztlich das menschliche Gehirn, jeden trick im Feld können erforderlich sein, um dies rechnerisch möglich ist“, sagt Blue-Brain Direktor des computing, Prof. Felix Schürmann. „Dazu gehören neue Generationen von Computern, die innovation in der simulation software und kompakter modeling-Formeln wie Neuron_Reduce. Neuron_Reduce kann verwendet werden, nicht nur für effizientere numerische Simulationen aber auch für die neuartigen neuromorphen hardware-Anpassungen, die sind heute nicht in der Lage zu bewältigen mit der zellulären Komplexität vorhanden in biophysikalisch detaillierten Gewebe-Modelle. Dieser Abbau-Methode kann auch erlauben, dass diese Lücke überbrückt werden durch die Reduzierung detailliertere Modelle eine Darstellung, die zugänglich ist für neuromorphic hardware-Implementierung“, sagt Schürmann.