Ein Werkzeug zur Berechnung komplexer Neuronenmodelle
Wissenschaftler der Hebräischen Universität Jerusalem und des EPFL Blue Brain Project haben «Neuron_Reduce» entwickelt, ein neues Berechnungswerkzeug, mit dem die Wissenschaft komplexe Neuronenmodelle jedes Zelltyps auf einfache Weise vereinfachen und gleichzeitig die Input-Output-Eigenschaften erhalten kann. Gleichzeitig wird die Laufzeit der Simulation deutlich reduziert.
Detaillierte Neuronenmodelle, die aus Tausenden von Synapsen bestehen, sind der Schlüssel zum Verständnis der rechnerischen Eigenschaften einzelner Neuronen und großer neuronaler Netzwerke sowie zur Interpretation experimenteller Ergebnisse. Simulationen dieser Modelle sind jedoch rechenintensiv (unter Verwendung vieler Rechenstunden), was ihre Nützlichkeit erheblich verringert. Zum ersten Mal haben Wissenschaftler der Hebrew University of Jerusalem und des EPFL Blue Brain Project einen einzigartigen analytischen Ansatz für die Herausforderung formuliert, die Komplexität von Neuronenmodellen zu reduzieren und dabei ihre wichtigsten Eingabe- / Ausgabefunktionen und ihre Rechenfähigkeiten beizubehalten.
Reduzierte Modelle von Neuronen und Netzwerken bilden eine Brücke zwischen den hochdetaillierten Modellen, die kleinste experimentelle Details erfassen, und den einfacheren Modellen, die sich leichter für die theoretische Interpretation eignen, wenn wichtige Details fehlen. Diese Überbrückungsmodelle reduzieren die Rechenzeit und den Speicherbedarf für detaillierte Neuronenmodelle (und die von ihnen gebildeten Netzwerke) erheblich und führen zu einer schnelleren Simulationszeit und zu größeren simulierbaren neuronalen Schaltkreisen.
«Neuron_Reduce» ist ein neues Analysetool, das ein einzigartiges vielzylindrisches reduziertes Modell für komplexe nichtlineare Neuronenmodelle bietet, sowohl hinsichtlich der Reduzierung der morphologischen Komplexität als auch der Reduzierung der Rechenzeit. Das Tool bildet den detaillierten dendritischen Baum analytisch in einen reduzierten mehrzylindrischen Baum ab, basierend auf Ralls Kabeltheorie und linearer Schaltungstheorie. Synapsen und Ionenkanäle werden auf das reduzierte Modell abgebildet, wobei ihre Übertragungsimpedanz zum Soma (Zellkörper) erhalten bleibt. Synapsen mit identischer Übertragungsimpedanz werden unter Beibehaltung ihrer individuellen Aktivierungszeiten zu einem NEURON-Prozess zusammengeführt.
„ «Neuron_Reduce» ist eine bedeutende Innovation bei der analytischen Modellierung dendritischer Berechnungen“, erklärt Prof. Idan Segev, Professor für Computational Neuroscience und Leiter des Fachbereichs für Neurobiologie an der Hebrew University of Jerusalem (HUJI). „Das analytisch reduzierte Modell bewahrt eine Vielzahl von Unterschwellen- und Überschwellenmerkmalen des detaillierten Modells, einschließlich der Identität einzelner Stammdendriten, ihrer biophysikalischen Eigenschaften sowie der Identität einzelner Synapsen und der Vielfalt anregbarer Ionenkanäle, und verbessert die Rechengeschwindigkeit des Modells um das Hundertfache “, schwärmt Segev.
Ein wesentlicher Vorteil des Reduktionsalgorithmus, der auch seine Solidität zeigt, besteht darin, dass die Größe der Übertragungsimpedanz von jedem dendritischen Ort zum Soma beibehalten wird. Oren Amsalem, Neurobiologe am HUJI, beschreibt, warum dies so wichtig ist: „Da in linearen Systemen die Übertragungsimpedanz wechselseitig ist, behält «Neuron_Reduce» auch die Übertragungsimpedanz in somatodendritischer Richtung für passive dendritische Bäume bei. Beispielsweise führt eine Strominjektion am Soma in den detaillierten und reduzierten Modellen zu demselben Spannungsverhalten an den jeweiligen dendritischen Stellen, wodurch die bidirektionale Kommunikation zwischen Soma und Dendriten erhalten bleibt “, bestätigt Amsalem.
Ein wichtiges Werkzeug für die rechnergestützte Gehirnforschung
Ein weiterer entscheidender Vorteil von «Neuron_Reduce» besteht darin, dass die Identität der einzelnen Synapsen und ihrer jeweiligen Dendriten erhalten bleibt. Es behält auch spezifische Membraneigenschaften und dendritische Nichtlinearitäten bei, wodurch spezifische dendritische Berechnungen beibehalten werden. Darüber hinaus behält «Neuron_Reduce» auch die passiven Kabeleigenschaften (Rm, Ra und Cm) des detaillierten Modells bei, wodurch die synaptische Integration und andere zeitliche Aspekte des detaillierten Modells erhalten bleiben.
„Bei der Anwendung von Berechnungsansätzen, zunächst auf das Mausgehirn und schließlich auf das menschliche Gehirn, ist möglicherweise jeder Trick in der Box erforderlich, um dies rechnerisch zu ermöglichen“, betont Prof. Felix Schürmann, Director of Computing bei Blue Brain. „Dazu gehören neue Computergenerationen, Innovationen in der Simulationssoftware und kompaktere Modellierungsformeln wie «Neuron_Reduce». «Neuron_Reduce» kann nicht nur für effizientere numerische Simulationen verwendet werden, sondern auch für neuartige neuromorphe Hardwareanpassungen, die heutzutage die in biophysikalisch detaillierten Gewebemodellen vorhandene zelluläre Komplexität nicht bewältigen können. Diese Reduktionsmethode kann es auch ermöglichen, diese Lücke zu schließen, indem detailliertere Modelle auf eine Darstellung reduziert werden, die für die Implementierung neuromorpher Hardware geeignet ist “, schließt Schürmann.
Weitere Hinweise und Quellen
- A brand new tool devoted to simplifying complex neuron models (Mediacom, EPFL)
- The Neuron_Reduce algorithm and the models that were used in the paper, together with detailed examples for the usage of the algorithm, are publicly available on GitHub (http://github.com/orena1/neuron_reduce).
- Finanzierung: Diese Studie wurde vom Rahmenprogramm für Forschung und Innovation der Europäischen Union für Horizont 2020 im Rahmen der spezifischen Finanzhilfevereinbarung Nr. 785907 (Human Brain Project SGA2), dem ETH-Bereich für das Blue Brain Project (BBP), von der Gatsby Charitable Foundation und NIH-Finanzhilfevereinbarung U01MH114812
- Referenzen: Amsalem, O., Eyal, G., Rogozinski, N., Gevaert, M., Kumbhar, P., Schürmann, F., Segev, I., Eine effiziente analytische Reduktion detaillierter nichtlinearer Neuronenmodelle, Nature Communications, 15. Januar 2020. DOI 10.1038 / s41467-019-13932-6. Die Veröffentlichung wird von einem Live Paper mit einer detaillierten Morphologie sowie einer reduzierten Morphologie begleitet, die in einem Webbrowser simuliert werden kann, ohne dass NEURON installiert werden muss. Diese Funktionalität wird von der Simulationsplattform des EU-Projekts für das menschliche Gehirn bereitgestellt und ist hier zu finden: https://humanbrainproject.github.io/hbp-bsp-live-papers/2020/amsalem_et_al_2020/amsalem_et_al_2020.html
