小DRG神经元9维模型的计算分析

Growing dendrites enhance a neuron's computational power and memory capacity

Neocortical pyramidal neurons have many dendrites, and such dendrites are capable of, in isolation of one-another, generating a neuronal spike. It is also now understood that there is a large amount of dendritic growth during the first years of a humans life, arguably a period of prodigious learning. These observations inspire the construction of a local, stochastic algorithm based on an earlier stochastic, Hebbian developmental theory. Here we investigate the neuro-computational advantages and limits on this novel algorithm that combines dendritogenesis with supervised adaptive synaptogenesis…

中缝背核多巴胺能神经元钙锋电位的生物物理特性和计算模拟

Biophysical properties and computational modeling of calcium spikes in serotonergic neurons of the dorsal raphe nucleus

中缝背核的5-羟色胺能神经元广泛分布于几乎整个大脑，对许多认知和生理过程具有重要的调节作用。它们在临床抑郁症和其他精神疾病中发挥重要作用。为了量化多巴胺能传递对靶细胞的影响，需要构建计算模型，为此，有必要详细了解多巴胺能神经元的生物物理和尖峰特性。在这里，几个基本的属性进行了审查，从20世纪60年代到现在的几项研究的数据。包括的数量是输入电阻，静息膜电位，膜时间常数，放电率，穗持续时间，穗和后超极化（AHP）的幅度，穗阈值，细胞电容，胞体和somadendritic面积。这些细胞的动作电位通常由钠电流和钙电流的组合触发，这可能导致自主起搏活动。在这里，我们分析的机制，高阈值的钙峰已被证明在这些细胞的TTX的存在。给钙尖峰所需的钙动力学的参数是完全不同的，从那些经常扣球，这表明参与的限制部分的体细胞-树突表面已被发现，例如，在海马神经元。

Computational capacity of pyramidal neurons in the cerebral cortex

The electric activities of cortical pyramidal neurons are supported by structurally stable, morphologically complex axo-dendritic trees. Anatomical differences between axons and dendrites in regard to their length or caliber reflect the underlying functional specializations, for input or output of neural information, respectively. For a proper assessment of the computational capacity of pyramidal neurons, we have analyzed an extensive dataset of three-dimensional digital reconstructions from the NeuroMorpho.Org database, and quantified basic dendritic or axonal morphometric measures in differe…

脑神经结构：解决生命复杂性的神经元计算方案

Brain Neurological Constructs: The Neuronal Computational Schemes for Resolution of Life's Complexities

对于复杂生命的进化来说，一个复杂的神经系统来处理它的复杂性是最基本的。这种需求导致了大脑的计算设施--神经元网络的出现。大脑的这一面被其启发性的科学计算神经网络所证实，这些神经网络（数学上）解决了许多复杂的问题。这两个系统之间的计算操作的假定一般语义允许推断大脑神经域中的过程也呈现复杂性，作为参数方程组，就像科学神经网络操作的基本隐式算法形式主义。这种平行是基于这样的事实，即这种设备解决复杂的问题，没有声明性的逻辑公式部署。数学上解决的神经网络问题的形式主义也类似于任何理论上已知的和公式化的复杂性，这些复杂性在其离散解域中被算法化，在计算机直接或迭代求解的初值和边值问题的背景下。复杂性的脑神经元网络算法化描绘了生命和生活的控制方程，其解决方案是通过试错学习实现的，部署了生物的其余神经系统和其他能力。大脑的计算操作描绘了两种精神状态：意识和无意识;意识和无意识状态描述了参与绘制生命路径的交互式生活过程。

成人神经发生的计算模型

Computational Models of Adult Neurogenesis

近年来的实验结果表明，成年神经发生是哺乳动物脑中的一个重要现象。然而，人们对成年人大脑中神经元的产生和破坏所起的功能作用知之甚少。在这里，我们提出了两个模型，其中新的投射神经元被纳入。我们表明，在这两种模型中，使用合并和删除神经元作为计算工具，有可能实现更高的计算效率，在纯粹的静态，突触学习驱动的网络。我们还讨论了理解成人神经发生在特定脑区的作用的意义。

传入特异性、特征特异性连接性影响方向选择性：小鼠初级视觉皮层的计算研究

Afferent specificity, feature specific connectivity influence orientation selectivity: A computational study in mouse primary visual cortex

初级视觉皮层（V1）提供了对特定输出特征（如方向调节）的选择性和出现的重要见解。小鼠视觉皮层中皮层神经元的调谐和选择性至今尚未明确解决。虽然许多体内实验研究发现，所有亚型的抑制性神经元广泛调整方向，但其他研究报告抑制性神经元与兴奋性神经元一样急剧调整。这些关于兴奋性和抑制性皮层神经元的选择性的不同发现促使我们提出以下问题：（1）皮层计算与先前描述的依赖于地图的物种有何不同或相似之处？(2)小鼠初级视觉皮层方位选择性增强的网络机制是什么？在这里，我们调查上述问题的计算框架与Hodgkin-Huxley（HH）点神经元组成的递归网络。我们的皮质网络与随机连接单独不能解释所有的实验观察，这导致我们假设，（a）方向依赖的连接（b）前馈传入特异性，以了解小鼠V1神经元的方向选择性。使用人口（方向选择性指数）OSI作为衡量神经元的选择性刺激方向，我们测试每个假设单独和结合对实验数据。基于我们对方向选择性（OS）数据的分析，我们发现基于传入特异性和连接性的模型中的网络参数与特征相似性很好地吻合。我们的结论是，这个特定的模型类最好的支持数据集的兴奋性和抑制性神经元的方向选择性在初级视觉皮层的第2/3层的小鼠。

在皮层组织的详细计算模型中预测电场刺激的影响

Predicting the Impact of Electric Field Stimulation in a Detailed Computational Model of Cortical Tissue

近年来，使用弱电场的神经刺激由于其作为医疗干预的潜力而引起了人们的兴奋。然而，这种刺激方式的研究受到了不一致的结果和研究内和研究之间的大变异性的阻碍。为了开始解决这种可变性，我们需要适当地考虑电流对底层神经元群体的影响。开发和测试能够捕获电场刺激对神经元网络的影响的计算模型。我们构建了一个具有不同层次和明确的神经元形态的皮层组织模型。然后，我们应用电刺激模型，并进行多个测试用例模拟。皮层切片模型进行了比较，实验文献和显示捕捉的电生理刺激反应的主要特征。也就是说，该模型显示：1）单个锥体神经元中类似水平的去极化，2）内在振荡的加速，以及3）不同层中振荡的空间分布的保留。然后，我们应用替代电场，以证明该模型可以捕捉神经元响应的电场的差异。我们表明，组织反应是依赖于层的深度，相对于该领域的顶端树突的角度，和刺激强度。我们提出了公开可用的计算建模软件，预测的神经元网络人口对电场刺激的反应。

格林函数形式主义作为单室和多室建模之间的桥梁

The Green's function formalism as a bridge between single and multi-compartmental modeling

神经元是在空间上延伸的结构，其树突上接收和处理输入。一般认为，神经元的计算产生于突触输入沿着树突的输入位置和轴突初始段中的尖峰产生位置之间的主动整合。然而，许多应用程序，如大脑网络的模拟，使用点神经元-没有形态组件的神经元-作为计算单元，以保持概念的复杂性和计算成本低。因此，这些应用不可避免地忽略了神经元计算的一个基本性质。在这项工作中，我们提出了一种模拟人工突触的方法，该方法可以模拟树突处理，而无需显式模拟树突动力学。模型突触采用电缆方程的解析解来计算树突输入后的神经元膜电位。格林函数形式主义是用来推导出封闭版本的电缆方程。我们表明，通过使用这种突触模型，点神经元可以实现以前仅限于多房室模型的领域的结果。此外，当只有少量的模拟突触撞击在形态上精细的神经元上时，实现了计算优势。机会和限制进行了讨论。

散粒噪声模型

Shot Noise Neuron Model

在本文中，我们提出了一个基于散粒噪声的泄漏集成和发射神经元模型，并提供了一个详细的分析，这种模型的性能相比，传统的扩散近似模型。在理论神经科学中，有三种通用的神经元模型：房室神经元模型是一种基于电导的模型，它将生物神经元视为一个大电路。该模型的问题在于其结构的复杂性和自由参数的数量; Leaky集成和放电模型是一个更灵活的模型，由于特殊的设计称为阈值重置，其中神经元的电压达到阈值后被重置。该模型被提出作为房室模型的替代方案，以提供一个更符合生物学实际的模型，该模型可以捕获在实验中观察到的尖峰时间行为。除此之外，它的计算效率更高，因为它具有更少的自由参数;基于放电率的神经元模型使用神经元的放电率作为耦合神经元网络模型中的耦合项。这种模型可以很容易地在网络层面上进行分析。对该模型的理论分析证明了相变的存在，并表明在混沌区的计算能力得到了提高。

电导空间中被平面边界分隔的单隔室神经元的两种计算状态

Two computational regimes of a single-compartment neuron separated by a planar boundary in conductance space

最近的体外实验数据表明，神经元对输入变量的反应具有不同的敏感性。在这里，我们证明了霍奇金-赫胥黎（HH）神经元可以在两个计算机制，一个是更敏感的输入方差（微分），一个是不太敏感（积分）。3D电导空间中的边界平面将这两个区域分开。对于简化的HH模型，该平面可以从V零倾解析地导出，从而建议通过分析神经元的动力系统将生物物理参数与神经计算相关联的方法。

中缝背核多巴胺能神经元锋电位产生的计算机模拟

Computational modeling of spike generation in serotonergic neurons of the dorsal raphe nucleu

我们在这里考虑一个单室模型，这些神经元，这是能够描述许多已知的功能，穗代，特别是缓慢的节奏起搏活动经常观察到这些细胞在各种物种。该模型包括10种电压依赖性离子通道和钙依赖性钾电流。钙动力学包括缓冲和泵送。在第3-9节中，详细考虑了每个组件，并在可能的情况下根据电压钳数据估计参数。在接下来的两个部分中，采用一些组件的简化版本，使用系统方法探索各种参数对加标的影响，最终得到以下11个组件：快钠电流$I_{Na}$、延迟整流钾电流$I_{KDR}$、瞬时钾电流$I_A$、低阈值钙电流$I_T$、两个高阈值钙电流$I_L$和$I_N$，小和大电导钾电流$I_{SK}$和$I_{BK}$、超极化激活阳离子电流$I_H$、漏电流$I_{Leak}$和细胞内钙离子浓度$Ca_i$。注意力集中在通常与这些神经元，特别是动作电位的长时间，起搏器样尖峰和斜坡样返回到阈值后，尖峰的属性。在某些情况下，膜电位轨迹显示双峰或有扭结或凹口，如在一些实验研究中所报告的。计算的$I_A$和$I_T$在发放间期的时间过程支持了普遍持有的观点，即它们之间的竞争影响发放频率。自发尖峰可以获得与驱动尖峰的值在几个参数的微小变化。

Drawing Inspiration from Biological Dendrites to Empower Artificial Neural Networks

This article highlights specific features of biological neurons and their dendritic trees, whose adoption may help advance artificial neural networks used in various machine learning applications. Advancements could take the form of increased computational capabilities and/or reduced power consumption. Proposed features include dendritic anatomy, dendritic nonlinearities, and compartmentalized plasticity rules, all of which shape learning and information processing in biological networks. We discuss the computational benefits provided by these features in biological neurons and suggest ways to…

MSTd的视觉反应特性来自稀疏种群编码

Visual response properties of MSTd emerge from a sparse population code

内侧上颞区（MSTd）背侧亚区的神经元对视网膜血流的大而复杂的模式作出反应，这意味着在自我运动分析中的作用。一些神经元对观察者在环境中移动时发生的扩展径向运动（“航向”）具有选择性，计算模型可以解释这一发现。然而，大量证据表明，MSTd神经元可能对大视野运动刺激表现出连续的视觉反应选择性，但推导这些反应特性的基本计算原理仍然知之甚少。在这里，我们描述了一个计算模型的MSTd的基础上的假设，在MSTd中的神经元有效地编码的连续的大视野视网膜流模式的基础上，从MT中的神经元，与感受野，类似于恢复与非负矩阵分解（NMF）的基向量的输入。这些假设足以定量模拟MSTd细胞的神经生理反应特性，如径向，圆形和螺旋运动调谐，这表明这些特性可能只是MSTd神经元对其输入进行降维的副产品。在人口水平上，模型MSTd准确地预测航向使用稀疏分布式代码，与生物MSTd可能在稀疏制度下运行的想法一致，该稀疏制度非常适合于有效地编码一些自运动变量。目前的工作提供了一种替代的模板模型视图的MSTd，并提供了一个生物学上合理的帐户的感受野结构在广泛的视觉反应特性的MSTd。

适应电流对耦合指数积分-激发神经元同步化的影响

Impact of adaptation currents on synchronization of coupled exponential integrate-and-fire neurons

作者总结：大脑中神经元尖峰的同步与认知功能有关，如感知，注意力和记忆。因此，重要的是要确定神经元的哪些属性影响它们在网络中的集体行为，并了解如何影响。许多皮层神经元的一个显著特征是尖峰频率适应，这是由缓慢的跨膜电流引起的。我们研究了这些适应电流如何影响耦合模型神经元的同步趋势。使用有效的自适应指数积分和火灾（aEIF）模型和生物病理学详细的神经元模型进行验证，我们发现，增加适应电流促进同步的耦合兴奋性神经元在较低的尖峰频率，只要神经元之间的传导延迟可以忽略不计。另一方面，抑制性神经元在存在传导延迟的情况下同步，有或没有适应电流。我们的研究结果强调实用的aEIF模型的神经网络动力学的计算研究。我们的结论是，适应电流提供了在局部兴奋性神经元群体中产生低频振荡的机制，而更快的节律似乎是由抑制而不是兴奋引起的。

三种抑制细胞在情境视觉加工中作用的计算分析

A Computational Analysis of the Function of Three Inhibitory Cell Types in Contextual Visual Processing

大多数皮质抑制细胞类型只表达三种基因之一，小清蛋白，生长抑素和5HT3a。皮层神经元的视觉反应不仅受到局部线索的影响，而且还受到视觉环境的影响。由于抑制性神经元在不同的空间范围和不同的区域具有不同的突触来源和靶点，我们推测它们在上下文加工中具有不同的作用。我们使用模型来关联结构信息功能的初级视觉皮层的小鼠，并调查他们的作用，在上下文视觉处理。我们的发现有三个方面。首先，由小清蛋白阳性（PV）细胞介导的抑制介导了局部处理，并可能成为它们在边界检测中的作用的基础。第二，生长抑素阳性（SST）细胞介导的抑制促进感受野之间更长范围的空间竞争。第三，对表达血管活性肠多肽（VIP）的中间神经元（5HT 3a神经元的一个亚类）的非特异性自上而下调制可以选择性地增强V1反应。

μSpikeHunter：用于微流控平台中神经元通信和动作电位传播分析的先进计算工具

μSpikeHunter: An advanced computational tool for the analysis of neuronal communication and action potential propagation in microfluidic platforms

了解神经元通信是神经科学的基础，但很少有方法提供详细的分析控制良好的条件。通过将微电极阵列与微射流（μEF设备）连接，可以将神经元培养物与轴突和微电极的特定对齐进行区室化。这种设置允许在几周的过程中以高信噪比对尖峰传播进行细胞外记录。针对这些μEF系统，我们开发了一种先进但易于使用的开源计算工具μSpikeHunter，它提供了几个通信相关属性的详细量化，如传播速度，传导故障，尖峰时间和编码机制。μEF设备和μSpikeHunter的组合可用于标准神经元培养或共培养配置，例如，监测和评估感觉神经元和其他细胞类型之间的通信。分析轴突信号的能力（以用户友好、时间有效、高通量的方式）为研究外周神经支配、神经编码和神经再生方法等开辟了新的途径。我们展示了μSpikeHunter在背根神经节神经元中的使用，我们分析了μEF设备中顺行信号的存在。

神经元活动中动态逻辑门的计算范式

Computational paradigm for dynamic logic-gates in neuronal activity

1943年，McCulloch和Pitts提出，大脑是由可靠的逻辑门组成的，类似于今天计算机的核心逻辑。这个框架对神经科学的影响有限，因为神经元表现出更丰富的动力学。在这里，我们提出了一个新的实验证实的范式，其中大脑的逻辑门的真值表是时间依赖的，即动态逻辑门（DLG）。DLG的真值表取决于它们的活动历史和它们的输入神经元的刺激频率。我们的实验结果是基于一个程序，其中条件刺激被强制嵌入在一个大规模的网络皮层细胞在体外的神经元电路。我们证明，潜在的生物学机制是不可避免的增加神经元响应延迟到正在进行的刺激，这对网络延迟施加了不均匀的逐步拉伸。有限的实验结果证实和扩展的模拟和理论论据的基础上相同的神经元与固定增加的神经元响应潜伏期每诱发尖峰。我们预计我们的研究结果将导致更好地理解这种计算范式的适用性，以考虑大脑的功能，并将需要开发新的系统的数学方法，超越传统的布尔代数开发的方法。

感觉对齐感受野的计算价值取决于神经元表达性

The Computational Value of Sensory-Aligned Receptive Fields Depends on Neuronal Expressivity

本研究探讨感觉对齐感受野的计算价值，发现其优势依赖于神经元表达性，且稀疏性正则化不足以完全替代结构化感受野。

树突非线性对神经元计算能力的影响

Impact of dendritic non-linearities on the computational capabilities of neurons

本文提出带符号约束权重和生物合理树突非线性的两层神经元模型，结合统计物理与模拟证明其提升容量、学习速度、噪声鲁棒性及泛化能力。

无监督学习的相关博弈产生了赫布兴奋、反赫布抑制和突触消除的计算解释

A correlation game for unsupervised learning yields computational interpretations of Hebbian excitation, anti-Hebbian inhibition, and synapse elimination

从实验研究中，我们对生物突触的可塑性有了很多了解。赫布可塑性由突触前和突触后神经元的相关活动驱动。汇聚到同一个神经元上的突触通常表现得好像它们在竞争一个固定的资源;一些在竞争中幸存下来，而另一些则被淘汰。为了提供这些方面的突触可塑性的计算解释，我们制定无监督学习作为一个零和游戏之间的赫布兴奋和反赫布抑制的神经网络模型。这个游戏形式化了一种直觉，即赫布激励试图最大化神经元与其输入的相关性，而反赫布抑制试图使神经元彼此去相关。我们还包括一个模型的突触竞争，这使得一个神经元，以消除所有的连接，除了那些从它的最强相关的输入。通过实证研究，我们表明，这有利于学习的感官功能，类似的部分对象。

神经元网络的计算建模

Computational modeling of neuronal networks

人脑含有约100亿个神经元，每个神经元具有约10~ 10，000个神经末梢，神经递质响应于传入的尖峰而从神经末梢释放，并且释放的神经递质然后结合位于突触后神经元中的受体。然而，单独地，神经元是嘈杂的，并且突触释放通常是不可靠的。但是，排列在专门模块中的神经元组可以共同稳健可靠地执行复杂的信息处理任务。神经元功能群如何执行与行为相关的任务，关键取决于从膜离子动力学到网络突触耦合的动力学的连贯组织，以及与行为状态紧密相关的节律振荡动力学。为了在多个时空尺度上捕捉生物系统的基本特征，重要的是构建一个合适的计算模型，该模型紧密或完全基于实验数据。根据人们想要理解的内容，这些模型可以是非常功能性和生物现实的描述，具有数千个耦合微分方程（Hodgkin-Huxley类型）或大大简化的漫画（Integrate-and-Fire类型），这对于研究大型互连网络非常有用。

使用计算拓扑中的离散 Morse 技术对神经元突起进行骨架化

Skeletonization of neuronal processes using Discrete Morse techniques from computational topology

本文提出结合深度网络与离散 Morse 技术的轴突片段骨架化方法，用于从全脑示踪剂注射数据估算体积长度密度，并以信息论度量评估单轴突形态带来的增益。

包含加速尖峰的神经元的混合网络中的动力学和计算

Dynamics and computation in mixed networks containing neurons that accelerate towards spiking

大脑中的网络由不同类型的神经元组成。在这里，我们研究神经元多样性的动力学，相空间结构和计算能力的尖峰神经网络的影响。我们发现，不同类型的单个神经元已经可以定性地改变网络动态，并且混合网络可以将具有单个神经元类型的计算能力结合起来。我们研究了凹漏（LIF）和凸“反漏”（XIF）集成和消防神经元，推广不规则尖峰非混沌LIF神经元网络的抑制网络。由于XIF神经元具有简单的基于电导的突触，我们的网络也可以生成不规则异步尖峰的平衡状态。我们确定的电压概率分布和自洽的发射率假设泊松输入有限大小的尖峰的影响。此外，我们计算全谱的李雅普诺夫指数（LE）和协变李雅普诺夫向量（CLV）指定相应的扰动方向。我们发现，每个XIF神经元大约有一个阳性LE。这特别表明，单个XIF神经元使网络动力学变得混乱。一个简单的平均场的方法，这可以证明的CLV的属性，解释了这一发现。作为一个应用程序，我们提出了一个基于尖峰的计算方案，我们的网络作为计算水库和他们不同的稳定性产生不同的计算能力。

基于局部神经元特征的大脑皮层层状结构计算分析

Computational analysis of laminar structure of the human cortex based on local neuron features

在本文中，我们提出了一种新的方法，分析和分割的层状结构的皮质的组织特征的基础上，其变化的灰质的基础上不同的皮质层之间。我们开发和分析单个神经元的特征，以研究细胞结构分化的变化，并提出了一种新的高性能，自动化的神经元水平的组织学图像分析框架。局部组织和细胞描述符（诸如密度、神经元大小和其他度量）用于开发更复杂的神经元特征，所述更复杂的神经元特征用于在由三个人类专家手动标记的数据上训练的机器学习模型中。通过为每个专家训练单独的模型并结合其概率输出来获得最终的神经元层分类。发达的神经元功能的重要性，在全球模型水平和个人预测水平。

Neural Networks, Artificial Intelligence and the Computational Brain

In recent years, several studies have provided insight on the functioning of the brain which consists of neurons and form networks via interconnection among them by synapses. Neural networks are formed by interconnected systems of neurons, and are of two types, namely, the Artificial Neural Network (ANNs) and Biological Neural Network (interconnected nerve cells). The ANNs are computationally influenced by human neurons and are used in modelling neural systems. The reasoning foundations of ANNs have been useful in anomaly detection, in areas of medicine such as instant physician, electronic no…

Emergent organization of receptive fields in networks of excitatory and inhibitory neurons

Local patterns of excitation and inhibition that can generate neural waves are studied as a computational mechanism underlying the organization of neuronal tunings. Sparse coding algorithms based on networks of excitatory and inhibitory neurons are proposed that exhibit topographic maps as the receptive fields are adapted to input stimuli. Motivated by a leaky integrate-and-fire model of neural waves, we propose an activation model that is more typical of artificial neural networks. Computational experiments with the activation model using both natural images and natural language text are pres…

作为信号处理装置的神经元

A Neuron as a Signal Processing Device

神经元是大脑的基本生理和计算单位。虽然对神经元的生理特性了解很多，但对其计算作用了解甚少。在这里，我们建议将神经元视为信号处理设备，其将传入的流数据矩阵表示为由传出的稀疏活动向量缩放的突触权重的稀疏向量。形式上，神经元最小化包括累积平方表示误差和正则化项的成本函数。我们推导出一个在线算法，最大限度地减少这样的成本函数之间的交替最小化相对于活动和相对于突触的权重。该算法的步骤再现了神经元的众所周知的生理特性，例如突触输入的加权求和和漏积分，以及类似Oja但无参数的突触学习规则。我们的理论框架提出了几个预测，其中一些可以通过现有的数据进行验证，其他的需要进一步的实验。这样的框架应该允许模拟神经元电路的功能，而不必测量所有的微观生物物理参数，以及促进神经形态电子学的设计。

脉冲神经P系统的计算复杂性

On the computational complexity of spiking neural P systems

它表明，没有标准的脉冲神经P系统，模拟图灵机小于指数的时间和空间开销。这里考虑的尖峰神经P系统具有与输入长度无关的恒定数量的神经元。在此基础上，我们构造了一个通用的脉冲神经P系统，该系统在线性时间内模拟图灵机，并且只有10个神经元。

从神经元对应中进行推理和学习

Inferring and Learning from Neuronal Correspondences

我们介绍并研究从神经元之间的对应关系中推断和学习的方法。该方法使来自神经系统的不同多单元研究的数据能够对齐。我们发现，用于推断对应关系的方法有效地结合了跨动物研究的数据，从而对行为决策进行联合推断，而这是不可能用来自单个动物的数据进行的。我们专注于数据收集，机器学习，并在欧洲药用水蛭的代表性和长期研究的无脊椎动物神经系统的预测。认识到计算棘手的一般问题，确定神经元之间的对应关系，我们介绍了有效的计算程序，在动物之间的神经元匹配。所述方法包括针对不同数据集中可能反映生物学或实验变异的缺失细胞或额外细胞进行调整的技术。这些方法突出了利用新型计算显微镜进行多单元神经生物学研究的价值。

Evolving spiking neuron cellular automata and networks to emulate in vitro neuronal activity

Neuro-inspired models and systems have great potential for applications in unconventional computing. Often, the mechanisms of biological neurons are modeled or mimicked in simulated or physical systems in an attempt to harness some of the computational power of the brain. However, the biological mechanisms at play in neural systems are complicated and challenging to capture and engineer; thus, it can be simpler to turn to a data-driven approach to transfer features of neural behavior to artificial substrates. In the present study, we used an evolutionary algorithm (EA) to produce spiking neura…

具有复杂内部结构的人工神经元

Artificial Neurons with Arbitrarily Complex Internal Structures

引入了具有任意复杂内部结构的人工神经元。神经元可以用一组内部变量、一组描述这些变量的时间演化的激活函数和一组控制神经元如何相互作用的特征函数来描述。由这些广义神经元组成的吸引子网络的信息容量达到最大允许界。一个取自模式识别领域的简单例子证明了这些神经元的计算能力的增加。此外，一个特定的类的广义神经元产生一个简单的转换广义神经元的吸引子网络的标准三层前馈网络。考虑到这种对应关系，我们推测三层前馈网络的最大信息容量是每权重2比特。

大脑皮层单神经元与网络动力学关系的计算研究

A computational investigation of the relationships between single-neuron and network dynamics in the cerebral cortex

在复杂动物中，大脑区域的功能被认为依赖于神经元网络的动力学，而不是单个神经元。另一方面，网络动力学反映并产生于单个神经元群体活动的整合和协调。因此，了解单个神经元和神经回路动力学如何相互补充以产生大脑功能至关重要。LFP和EEG是介观和宏观神经元群体动态的良好指标，而微观水平的活动可以通过测量单个神经元的膜电位、突触电流或尖峰活动来记录。在这篇论文中，我们开发的数学建模和数学分析工具，可以帮助解释联合措施的神经活动在微观和中观或宏观尺度。特别是，我们开发了递归皮层回路的网络模型，可以澄清单神经元的几个方面的影响（即，显微镜水平）对整个神经元群体活动的动力学（如通过LFP测量的）。然后，我们开发统计工具来表征单个神经元的动作电位放电和质量信号之间的关系。我们将这些后一种分析技术应用于单个细胞类型识别的神经元和介观（即，LFP）和宏观（即，EEG）信号。我们确定了细胞特异性神经放电和质量电路活动之间关系的几个一般方面，例如提供了从质量测量（例如LFP和EEG）推断单神经元放电活动的一般和鲁棒的数学规则。

Von Economo神经元在循环脉冲神经网络中促进可靠的社交技能学习：一种计算解释并具有临床预测

Von Economo neurons enable reliable social skill acquisition in recurrent spiking neural networks: a computational account with clinical predictions

该研究探讨了Von Economo神经元（VENs）在社交学习中的计算作用，通过训练包含VEN-like投射神经元的脉冲神经网络（VENCircuit），发现VENs的缺失显著影响学习能力，提出VENs作为学习支架的理论，并提出可验证的临床预测。

使用具有计算特异性的相位成像的神经网络的时间推移研究（PICS）

Time-lapse Study of Neural Networks Using Phase Imaging with Computational Specificity (PICS)

在生命科学中，荧光标记技术用于研究细胞的分子结构和相互作用。然而，这种类型的细胞成像有其自身的局限性，其中之一是染色细胞的过程可能对细胞有毒并可能损害它们。我们对活神经元的延时成像特别感兴趣，以研究它们的生长和增殖。神经退行性疾病的特征在于神经元生长和树枝化的表型差异。本文提出了一种基于深度卷积神经网络的无标记数字染色方法，以解决以往细胞成像方法存在的问题。我们的研究结果表明，当在具有正确荧光标记的相位图像上训练时，深度神经网络可以正确地学习必要的形态信息，以成功预测MAP2和Tau标记。这个推论，反过来，使我们能够分类轴突从树突在活的，未标记的神经元。

初级视觉皮层通过预测而非扣除光源来促成颜色恒常性：来自一项计算研究的证据

Primary visual cortex contributes to color constancy by predicting rather than discounting the illuminant: evidence from a computational study

该研究构建基于电生理学的V1神经模型并在带真实光源标签的自然图像上学习，证明DO神经元通过编码、预测光源而非扣除光源来实现颜色恒常性。

更小更好：考虑细菌用于生物启发建模的建议

Is Smaller Better: A Proposal To Consider Bacteria For Biologically Inspired Modeling

细菌是一种很容易描述的模式生物，具有一系列令人印象深刻的复杂能力。它们的能力之一是群体感应，这是一种详细的细胞-细胞信号转导系统，可能与真核细胞-细胞信号转导具有共同的起源。这两种现象不仅相似，而且与真核生物相比，群体感应，就像任何细菌现象一样，也比真核细胞-细胞信号转导更容易深入研究。这种研究的简易性与仅部分了解的神经元细胞动力学形成了对比。在这里，我们回顾了有关细菌菌落和生物膜的惊人的神经元样品质的文献，包括基于离子和激素的信号传导，以及动作电位样行为。这使得它们能够切实地充当神经元的模拟物，从而产生更详细、更准确的基于生物学的计算模型。使用细菌作为生物学上可行的计算模型的基础，可以使模型更好地利用生物有机体做出决策和处理信息的巨大能力。此外，从细菌功能中收集到的原理有可能影响与生物学无关的计算工作，就像神经元功能在抽象上影响了无数的机器学习工作一样。

神经元细胞外电位计算模型的比较

A Comparison of Computational Models for the Extracellular Potential of Neurons

细胞外空间在神经科学中的作用是模糊的。它存在于每一个生理相关的系统中，并经常被用作实验记录中的测量位点，但与细胞内域相比，它受到了次要的关注。在计算建模中，它通常被看作是一个被动的，均匀的电阻介质，具有恒定的电导率，这大大简化了细胞外电位的计算。然而，最近的研究表明，电活性膜的局部离子扩散和电容效应可以对细胞外电位产生实质性影响。这些效应不能用传统的模型来描述，已经受到了理论和实验分析。我们努力给出一个概述，在不同的时间和空间尺度上的浓度和潜在的动力学，特别是对细胞外空间建模的最新进展。三个模型与不同的假设和详细程度进行了比较，无论是理论上和数值模拟：经典的体积导体（VC）模型，这是最常用的线源近似（LSA）的形式;非常详细，但计算密集的泊松-能斯特-普朗克模型的电扩散（PNP）;和一个中间的称为电中性模型（EN）。结果清楚地表明，没有一个模型适用于所有应用，因为它们显示出显着不同的响应，特别是接近神经元膜。最后，我们列出了模型模拟的一些常见用例，并给出了在每种情况下使用哪种模型的建议。

Firing Cell：一种模拟长时程电位相关记忆的人工神经元

Firing Cell: An Artificial Neuron with a Simulation of Long-Term-Potentiation-Related Memory

我们提出了一个神经元的计算模型，称为放电细胞（firing cell，FC），它的性质涵盖了诸如外部刺激的受体衰减，突触后电位的延迟和衰减，由于突触后电位通过树突的传播而引起的内部权重的修改，由于短时间突触增强或长时间突触增强的模式而对每个输入的模拟存储器的特性的修改（LTP）、当所有输入的总和超过阈值时的输出尖峰生成以及折射。细胞可以采取三种形式之一：兴奋性，抑制性和接受性。计算机模拟表明，根据输入信号的相位，人工神经元的输出频率可以表现出各种混沌行为。

节律脉冲网络的热力学温度

The thermodynamic temperature of a rhythmic spiking network

由双态神经元构建的人工神经网络是强大的计算基底，其计算能力可以通过与统计力学的类比来理解。在这项工作中，我们介绍了类似的类比的上下文中的尖峰神经元在一个固定的时间窗口，从泊松分布的兴奋性和抑制性输入发挥作用的温度。对于在其输入和尖峰阈值之间具有“带隙”的单个神经元，该温度允许随机尖峰。通过在固定的时间窗口上施加全局抑制节律，我们将神经元连接到一个网络中，该网络表现出类似于神经网络的同步、时钟式更新。我们实现了一个单层玻尔兹曼机，而无需学习来证明我们的模型。

星形胶质细胞摄取谷氨酸对V1方向调谐的突触和突触外效应的计算研究

A computational study on synaptic and extrasynaptic effects of astrocyte glutamate uptake on orientation tuning in V1

星形胶质细胞通过谷氨酸转运体对突触间隙附近的谷氨酸浓度和细胞外谷氨酸的严格控制来影响神经传递。雪貂和小鼠初级视觉皮层的体内研究支持了它们与信息表征的相关性。在雪貂阻断谷氨酸转运的神经元扩大调谐曲线，并加强在首选方向的反应。在谷氨酸转运蛋白表达减少的基因敲除小鼠中，观察到了尖锐的调谐。然而，目前还不清楚谷氨酸浓度的焦点和环境变化如何影响刺激表征。在这里，我们开发了一个计算框架，它允许调查的突触和突触外谷氨酸摄取的方向调谐与风车域（雪貂）或盐和胡椒（小鼠）组织的递归连接的网络模型的影响。该模型认为，谷氨酸的摄取影响兴奋性和抑制性神经元对网络活动的贡献时，形状的信息表示。也就是说，加强兴奋性神经元的贡献通常会扩大调谐并提高响应。相反，加强抑制性神经元的贡献可以对调谐产生锐化效应。此外，局部表征拓扑结构也发挥了作用：在风车域模型中，效应在相邻神经元共享首选方向的区域内最强。在风车周围以及盐和胡椒网络中，这种影响不那么强烈。我们的模型提出，药物干预雪貂增加了兴奋细胞的贡献，而在小鼠中的表达减少增加了抑制细胞对网络活动的贡献。

表达性漏电记忆神经元：一种高效且表达力强的现象学神经元模型可解决长时程任务

The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks

本文提出表达性漏电记忆（ELM）神经元模型，以少量参数匹配生物神经元输入-输出关系，并在长时程任务（如LRA和Pathfinder-X）上超越Transformer，展示了漏电记忆与非线性整合的计算优势。

神经元的海岸线有多长？依赖分辨率的交互阶数与计算能力

How Long Is the Coast of a Neuron? Resolution-Dependent Interaction Order and Computational Capacity

本文受海岸线悖论启发，探究观测分辨率对神经计算表观结构的影响，引入尺度索引分解方法，发现投影可转化依赖阶数并提升信息直接占比，明确合适分辨率需结合可观测量与扰动确定。

基于各向异性多路复用枢纽神经元的快速可逆学习

Fast Reversible Learning based on Neurons functioning as Anisotropic Multiplex Hubs

神经网络由神经元和突触组成，它们在一个缓慢的自适应动态过程中负责学习。在这里，我们的实验表明，神经元的行为就像独立的各向异性的多路复用集线器，中继和静音输入信号后，他们的输入方向。从理论上讲，所观察到的信息路由丰富了神经元的计算能力，例如，允许网络中不同信息路由之间的均衡，以及通过几个并行路由构建的复杂时间依赖信号的高频传输。此外，这种集线器自适应地从网络的动态中消除非常嘈杂的神经元，防止信息传输的掩蔽。这些特征的时间尺度最多是几秒钟，而突触可塑性的信息印记则超过几分钟。结果打开视野的理解快速和适应性学习的现实，在更高的认知功能的大脑。