在时间序列观测中纠正神经元动力学估计的模型误差偏差

教机器阅读神经细胞的隐秘语言

我们的脑功能依赖神经细胞产生的微小电脉冲，但科学家只能直接测量到其中的一部分活动。这项研究展示了一种人工智能技术如何填补缺失信息，修正神经元数学模型中的缺陷，从而更好地理解即使在实验中无法观察到的脑细胞行为。

为何神经元模型需要帮助

神经科学家使用方程来模拟当神经元受到电流刺激时的反应。这些模型试图重现细胞膜电位——支撑神经冲动或“放电”的快速升降。然而在这些放电背后存在着隐藏过程：开启或关闭以允许离子流动的微小蛋白门。实验通常只记录细胞表面的电压，而非这些门的运动。更糟的是，科学家使用的方程只是近似，参数常常不确定或“松散”。因此，许多不同的参数集可能同样拟合相同数据，却代表截然不同的内部生物学。作者认为，要构建可靠的神经元数字孪生体——并最终模拟真实大脑——我们必须纠正这些模型误差，从普通电压记录中恢复可见与隐藏的动力学。

物理与机器学习的混合方法

研究人员基于一种称为库存在计算（reservoir computing）的技术，该技术是一类擅长预测复杂时序的循环神经网络。他们没有抛弃传统的神经元方程，而是在库层内嵌入了一个标准的 Hodgkin–Huxley 型模型。该神经元模型接受由随机阶跃和混沌电流组成的丰富电刺激，旨在在多种时间尺度上探测其所有内部行为。模型的输出连同驱动电流一起被送入一个固定的人工神经元网络——即库。仅有最终读出层接受训练，通过调整线性权重使组合系统重现由理想、无误差模型产生的参考电压。训练完成后，该混合体仅凭输入电流便能预测在新的、以前未见过的刺激下神经元的电压和内部门变量将如何演变。

测试不同的模型与网络混合方式

为了解如何最好地纠正误差，团队故意通过改变关键参数（例如钠通道的强度或其激活电压）来损坏代理神经元模型。然后他们比较几种混合设计。在某些设计中，库仅看到模型的膜电位；在另一些设计中，它也接收隐藏门变量；还有一些设计中，模型的输出不仅影响库的输入，也影响其最终读出。最成功的设计称为“全状态变量全混合体”，它将所有四个状态变量——电压和三个门变量——同时输入到库的输入层和输出层。这种配置在驱动电流快速或突变变化时稳定了预测，避免了仅库结构常见的饱和问题，并显著降低了亚阈值电压波动与完整动作电位的误差。

窥探隐藏的离子通道

一个引人注意的结果是，混合系统不仅修正了可见的电压轨迹；它还重建了隐藏离子通道门的时间演变。即便代理模型错误严重以至于不再正常放电，训练后的混合体仍能恢复与理想参考相近的门动力学。这之所以可行，是因为关于门的信息间接编码在膜电压的延迟测量中。通过调整库的内部连通性以在合适的时间窗口内保留信息，系统有效地“记住”足够的近期电压历史，从而推断出内部状态必须是什么样。针对广泛的线性与非线性参数误差范围，甚至当多个参数被扰动数个数量级时，混合体都显著改善了预测，直到误差变得极小（此时网络的本征噪声占主导）或极大（系统行为回归为类似纯库的状态）。

这对理解真实大脑意味着什么

对于非专业读者，核心信息是：将力学化的神经元方程与灵活的机器学习网络结合，可以得到既有物理基础又高度准确的模型。这种混合方法可以纠正近似神经元模型中的偏差，在复杂电刺激下稳定预测，并推断出实验目前无法实时测量的隐藏过程。随着该方法拓展到更真实的多通道、多隔室神经元以及细胞网络，它为从有限实验数据构建可信的活体脑组织数字复制体提供了一条强有力的途径。

引用: Williams, I., Taylor, J.D. & Nogaret, A. Correcting model error bias in estimations of neuronal dynamics from time series observations. Sci Rep 16, 13120 (2026). https://doi.org/10.1038/s41598-026-43346-6

关键词: 神经元动力学, 库存在计算, Hodgkin–Huxley 模型, 模型误差校正, 数字孪生神经元