《npj Systems Biology and Applications》：A Python toolbox for neural circuit parameter inference
編輯推薦：
在神經科學研究中，理解神經記錄與神經活動關鍵方面的關系存在困難。研究人員開發了 ncpi 這個開源 Python 工具盒，用于神經回路參數推斷。結果顯示其能揭示大腦發育和阿爾茨海默病中神經回路參數失衡。該研究為相關領域提供了重要工具。
在神經科學的奇妙世界里，大腦就像一座神秘的城堡，神經活動則是城堡中錯綜復雜的謎題。隨著科技的飛速發展，計算研究工具已經能高效模擬不同尺度的神經活動，實驗神經科學也迎來了數據爆發的時代。然而，人們對于神經記錄和神經活動關鍵方面之間精確的機制關系，卻知之甚少。比如說，電生理群體動力學的哪些特定特征（也就是潛在的生物標志物）能最好地反映底層微電路配置的屬性，這仍然是一個未解之謎。
為了攻克這些難題，來自西班牙格拉納達大學信息與通信技術研究中心（Research Center for Information and Communication Technologies, CITIC）等多個研究機構的研究人員展開了深入研究。他們開發了一個名為神經回路參數推斷（ncpi）的開源 Python 工具盒，這一成果發表在《npj Systems Biology and Applications》上。
研究人員在開展此項研究時，運用了多種關鍵技術方法。他們通過構建基于單個神經元網絡模型的模擬，利用如 NEST、NEURON 等軟件工具模擬神經活動；運用 LFPy 等工具計算細胞外信號；借助 hctsa、catch22 等時間序列特征庫以及如 1/f 斜率等指標進行特征提��；使用 scikit-learn 和 SBI 等庫訓練逆代理模型，從而實現對神經回路參數的推斷。研究數據來源于小鼠的體內局部場電位（LFP）記錄以及人類的腦電圖（EEG）記錄。
下面來看看具體的研究結果。首先是 ncpi 軟件平臺概述，ncpi 包含多個 Python 類，涵蓋了從模擬大腦模型（Simulation）、計算細胞外信號（FieldPotential）、提取特征（Features）、訓練逆代理模型并對真實數據進行預測（Inference）到分析結果（Analysis）的整個工作流程。這些類整合了多種先進方法，支持并行計算，能讓用戶輕松實現基于模型的神經回路參數推斷。
在利用 LIF 網絡模型模擬神經活動和細胞外電位的研究中，研究人員發現，改變外部輸入電流會使網絡的尖峰輸出和同步性發生變化，這種變化在電流偶極矩（CDM）和功率譜中也有明顯體現。同時，從模擬的 CDM 中提取的 1/f 斜率和 catch22 庫中的特征，會隨著外部輸入的改變而顯著變化，這表明特定網絡模型參數的改變能在細胞外信號中反映出來。
在對模擬數據集中的特征進行表征時，研究人員通過系統探索定義遞歸和外部突觸連接的關鍵參數，生成了包含兩百萬個模擬樣本的綜合訓練數據集。分析發現，從單個特征準確推斷參數變化存在困難，因為多個參數同時影響模型輸出時，其效果可能重疊或抵消，不過多特征組合能提供更全面的信息。
在使用單特征與組合特征進行逆模型預測的對比研究中，研究人員訓練了多種神經網絡回歸模型。結果顯示，多特征模型在捕捉所有參數的真實值方面表現更優，但單特征模型在預測與實際值的分布上呈現單調遞增趨勢，這意味著單特征模型雖難以準確解碼實際值，但仍能識別參數的增減趨勢。而且，研究發現將 1/f 斜率添加到 catch22 特征集中并不能提高預測準確性。
研究人員還利用 ncpi 工具盒對實際場景進行了驗證。在對小鼠早期出生后發育過程中皮質回路參數估計變化的研究中，分析小鼠前額葉皮質（PFC）的 LFP 數據發現，使用 catch22 特征集預測顯示，出生后早期 E/I 比值會適度降低，τsyninh縮短，Jext值升高且放電率增加；而僅使用 1/f 斜率預測時，除 E/I 比值外，其他參數的預測結果與先前經驗證據存在沖突。
在對阿爾茨海默�。ˋD）中回路參數改變的時空進展預測研究中，研究人員分析了包含健康對照和不同階段 AD 患者的 EEG 數據集。結果顯示，基于 1/f 斜率的預測表明 AD 患者許多電極位置的 E/I 向抑制方向顯著轉變，而 catch22 特征集則顯示 AD 患者后期外部輸入Jext明顯下降，且兩者對突觸時間常數的預測相互矛盾。
綜合來看，該研究意義重大。ncpi 工具盒為神經回路參數的模型驅動解釋和候選生物標志物評估提供了基準資源。通過對模擬數據和真實數據的研究，它能揭示局部回路屬性與群體水平大腦動力學之間的關系，可應用于不同空間尺度，并追蹤臨床群體中回路參數的病理進展和變異性。不過，目前該研究也存在一定局限性，如未考慮宏觀網絡動力學等。但 ncpi 工具盒為探索神經回路生物標志物提供了強大平臺，有助于重新評估過去的研究結果，為未來神經科學研究開辟新的道路，推動人們對大腦奧秘的深入探索。
