文摘

大脑的一个重要组成部分,齿状回记忆的过程中有不可替代的影响。因此,齿状回模型的研究具有重要意义的研究大脑功能。本文结合实际齿状回的解剖结构,是基于现有的计算模型研究齿状回的病理状态,齿状回基于仿生学的网络模型。然后,模拟实验正常齿状回神经元模型上执行平台,每个神经元的输出模型中观察,和结论:改进后的模型可以响应刺激,产生动作电位,并传播他们的神经网络。同时,输出结果与现有的病理模型相比,和刺激的特征响应在齿状回神经元之间在正常生理条件下。最后,根据半定量的分类定义和定量分类定义的小世界网络模型进行了分析,结果表明,改进的齿状回网络模型具有小世界特性。因此,改善齿状回神经元模型紧密相连的,在一定程度上可以模拟真实的齿状回。

1。介绍

作为最复杂和神秘的器官,大脑的结构和功能的研究引起了广泛关注。在许多大脑功能,学习和记忆是重要的先进的大脑功能。海马体是哺乳动物的学习和记忆的关键结构。它主要由CA1、CA3及齿状回。齿状回是海马结构的主要部分1)和充分参与大脑的记忆和学习的过程。同时,齿状回是海马体的主要入口接受外部信息,也是信息的预处理器。齿状回可以单独的神经表示类似内存通过不同的神经回路来优化内存存储和随后的检索(2,3]。齿状回可以分离模式(4,5)尽量减少干扰对特定记忆存储和检索(6),可以实现精确调节的内存的功能通过建立特定的细胞之间的突触连接(7]。齿状回的存在使一代的内存有组织和有重要意义的过程中信息的编码(8)和处理和学习记忆。因此,学习记忆的机制生成时,齿状回是主要的研究对象。然而,它是不容易的,通常无法直接使用实验手段,探索齿状回的生理活动。因此,构建齿状回的概念模型结合实验的定性研究与定量分析模型来模拟真实的生理结构的齿状回尽可能实际,提供一个有效的方法来分析齿状回的生理特征(9]。本文提出一种生物物理现实和解剖齿状回计算模型研究刺激输入后,每个神经元的一般生理特征在齿状回神经元如何应对和适应刺激。

近年来,生物物理模型已经被许多研究者青睐。该模型不仅考虑了真正的细胞形态和突触的特点,各种类型的细胞,但也考虑各种离子通道的动态机制。Multicompartment模型通常使用。房室模型空间连续单神经元分为离散多个心房,这是相互关联来描述整个时间和空间变化的神经元。根据不同的研究目的,这些舱模型对其结构有不同的重点和连接。研究人员构建许多不同类型的齿状回模型根据不同的研究目的。齿状回模型建立了巴顿和McNaughton10)用于数值模拟。模型包含两个兴奋性神经元(颗粒细胞和苔藓细胞)和四个抑制性神经元(篮子细胞,axon-axon细胞,GPP细胞)和II层内嗅皮层的神经元。齿状回网络模型由Tateno et al。11)由9颗粒细胞,9抑制性中间神经元,和3苔藓细胞。模型是小和神经元之间的连接是相对简单的。

此外,齿状回的病理模型的建设也非常常见,尤其是在研究齿状回和颞叶癫痫的关系。许多研究人员结合细胞和神经回路的变化观察病理条件下研究的动态活动齿状回模型在正常和病理条件下通过一系列仿真实验,旨在发现齿状回在癫痫的病理状态。

立顿等。12)建立了齿状回模型模拟的异常(重组)是如何造成的神经回路的苔藓纤维发芽齿状回会导致异常兴奋的神经回路的颞叶癫痫。齿状回模型由Santhakumar et al。13)简化了文献[10)连接构造一个齿状回颗粒细胞和颗粒细胞模型在病理条件下,用于研究苔藓细胞的损失和苔藓细胞的损失后癫痫发作和头部受伤。苔藓纤维发芽有齿状回的超兴奋性的作用。Dyhrfjeld-Johnsen et al。14)建立了一个1:1的比例结构模型的基于模型的齿状回文献[13]。此外,建立了功能模型根据20:1比例,两个模型被用来研究癫痫发作。施耐德et al。15在文献[]并行20:1功能模型14),完成一个1:1仿真模型规模进一步扩大的功能模型。

在文献[建筑的模型14,15)是基于拓扑网络形成的齿状回模型文献[13)为基本单位。这个基本单位选择四种类型的神经元数量和占主导地位的有明确的研究结果,不仅考虑发散和收敛的不同类型的神经元的突触也考虑轴突的实际分布。然而,在一个真正健康的齿状回颗粒细胞和颗粒细胞之间没有联系,所以齿状回模型由Santhakumar不能用来模拟一个健康的齿状回。基于仿生学的原理,结合实际齿状回的解剖结构,本文将提出一个模型结构健康状态基于齿状回的齿状回的拓扑网络模型。

在下一节中,我们首先介绍了齿状回的生理结构和现有的病理模型,然后,基于现有的齿状回模型在病理条件下,本文消除了患病的齿状回模型的一部分在正常生理条件下和构造一个通用模型。此外,模型的刺激响应特性和小世界特性是基于仿真实验的解释。最后,论文总结了整篇文章的工作并提出了未来发展方向。

2。修改后的齿状回模型

2.1。齿状回

组织学检查齿状回的构成分为三个部分:分子层(ML),颗粒细胞层(GL)和多态层(PL)。

其中,多态层也被称为一个门(门)(层),如图1(这个数字是引用文献[14])。

八种齿状回神经元清晰的解剖,这是颗粒细胞(GC),长满青苔的细胞(MC),篮子细胞(BC), axons-axon细胞(AAC),分子层细胞工程前渗透途径(MOPP),门的细胞轴突投射到前渗透途径(HIPP),门的细胞轴突投射到连合/通路(HICAP)相结合,和中间神经元。细胞有特定的等级(是)。根据神经元的神经递质释放的特殊性质,位置在齿状回的分层结构,形态结构,和特定的标记的存在,在齿状回神经元分为神经元兴奋性和抑制性神经元。前两个类型的神经元兴奋性神经元,和过去六是抑制性神经元。

从分层的角度,齿状回分子层主要由颗粒状的树突细胞和星状的纤维投射细胞内嗅皮层。颗粒细胞层是主要的齿状回的细胞层,与颗粒细胞密集排列。最里面的一层一层的多态,颗粒细胞的轴突(也称为苔藓纤维)和其他中间神经元。颗粒细胞是主要的齿状回神经元中的投影。颗粒细胞,顾名思义,与小球形细胞胞体,大约10μ米直径,安排在颗粒细胞层厚度为4 - 6细胞(16]。颗粒细胞的树突从颗粒细胞层垂直延伸到分子层覆盖这一层,可以与多个领域建立突触连接,主要从内嗅皮层接收预测2层。颗粒细胞的轴突,即苔藓纤维,没有髓鞘生成从胞体的底部,向下延伸到多态层,不仅针对一些中间神经元,如篮子细胞,苔藓细胞,和HIPP细胞,而且合并纤维束。离开多态层和扩展CA3的透明层,它建立CA3锥体细胞的突触连接,和颗粒细胞CA3的投影过程也是唯一的齿状回项目,其外在的大脑区域。此外,其他类型的神经元在齿状回只有通过内部关系函数。之间没有互连颗粒细胞,间接的交互是通过连接与其他类型的细胞在齿状回。

如表所示1基于大量的研究结果,各种类型的神经元的数量和连接在给出了齿状回17]。表的第一列给出了每种类型的神经元的数目。它可以观察到的数量GC, MC,公元前和HIPP占主导地位。中间的表显示的数据值或范围的突触后神经元的数量(从第一行),突触前神经元(从第一列)可以连接到。例如,可以结合GC 7 - 12 MCs建立突触连接。一个MC可以与30000 - 35000年GCs建立突触连接。“-”意味着没有两种类型的神经元之间的连接。

2.2。病理模型

拓扑网络形式由Santhakumar齿状回模型主要研究苔藓纤维发芽的作用病理现象和苔藓细胞兴奋过度的齿状回损失。在模型中,两个颗粒细胞是随机选择为每个颗粒细胞连接到模拟苔藓发芽的现象。苔藓细胞移除所有连接模拟苔藓细胞的损失。网络中的神经元模型,单个神经元的建模工作主要从三个方面完成:舱的结构和属性模型,离子通道的设置,树突棘的定义。

在模型中,根据解剖结构的齿状回神经元,神经元的四大数据分为不同的隔间。胞体被视为一个圆柱形室,树突划分成许多节点统一的直径和膜的特点,然后这些节点形成一个室。树突细胞接近体被称为树突近端,称为树突远端和树突细胞远离身体。GC的树突和细胞体分为9。公元前的树突和细胞体MC /分为17个隔间,和树突细胞的尸体HIPP分为13个隔间。房室结构的四个神经元模型如图2。

齿状回神经元模型的四种类型根据其轴突连接分布如表所示2。采取MC GC为例。差异意味着MC可以连接到200 GCs附近。突触后目标池意味着MC选择连接在350附近的gc。分布特征,不包括最接近50 GCs,收敛意味着6。0±0。05年MCs可以连接到相同的GC。“-”意味着没有两种类型的神经元之间的连接。此外,苔藓纤维发芽的模拟通过增加gc之间的联系,以及gc之间的连接数随发芽的程度。

2.3。模型的改进

现有的拓扑网络齿状回模型主要由Santhakumar模拟苔藓发芽的病理现象和MC损失引起的癫痫发作或头部受伤并分析这两种现象的影响在齿状回的兴奋过度。在正常生理情况下,没有gc之间的连接,而在病理条件下,萌芽的苔藓细胞导致gc之间的联系的形成,和连接形成的数量随疾病的程度。GC互连网络导致的兴奋性增加。MC的损失减少模型GC连接的数量,阻碍了网络超兴奋性的传播,减少兴奋性的模型。现有齿状回模型随机选择GCs形成连接模拟苔藓发芽的现象在建立连接时为每个GC和随机选择几个MCs和删除他们所有的连接来模拟MC的损失。

与现有的齿状回模型相比,齿状回模型提出了去除模拟苔藓纤维发芽的gc之间的联系,确保GCs不是直接连接,并保持正常联系MCs消除MC失踪因此,改进后的模型可以模拟一般齿状回正常的生理条件下仿真模型如图3和4。

细胞之间的连接模型符合真正的齿状回细胞之间的连接。改进后的模型具有以下特点:(1)第一个特点是覆盖了主要的齿状回神经元。有四种类型的齿状回神经元,GC, MC,公元前和HIPP占主导地位。既然其他四种类型的神经元生理数据相对较少,不能支持建模需求,神经元的模型只包含四种类型:GC, MC,公元前,HIPP [3]。(2)神经元的数量跟解剖结果。从表1公元前,MC GC的数量,和HIPP 1106年,3104年,1104年,1.2104年,分别。因此,在改进后的齿状回模型中,四种类型的神经元的数量之比是GC:主持人:公元前:HIPP = 500: 15: 5: 6。(3)第三个特点是一个更完整的模拟在齿状回神经通路。根据内部齿状回的生理解剖,GC是主要的输入的齿状回神经元。所有gc可以通过前穿透给定的输入途径。同时,所有bc和15%的MCs也将从内嗅皮层接收输入。然而,GCs之间没有直接的联系,从而间接互连可通过与其他类型的神经元连接。此外,该模型还具有丰富的内部连接。除了公元前情况不HIPP项目,有这四种类型的神经元之间的连接,和MC和BC也有相同类型的神经元之间的连接。GC输出也是唯一在齿状回神经元,CA3,输出信息。

3所示。实验

执行仿真实验改进的齿状回神经元模型平台,并观察模型中的每个神经元的输出。在这个过程中,只有神经元的需要设置一些参数,如几何形状,生物物理参数,和连接关系,而不考虑它背后所使用的数学模型和复杂的数值解的过程。

3.1。仿真平台

建模与仿真的研究不仅可以观察单一神经元活动的变化,同时发射的神经元集群还检查网络连接和这些神经元之间的相互作用。基于结构、生理特征和生物物理原则,上述齿状回,本文运用软件模拟改进的齿状回神经元模型。

软件是由神经元来自杜克大学和耶鲁大学的研究人员。这是一个为单个神经元和神经网络建模仿真环境。迭代优化之后,它已经成为最受欢迎的世界上神经建模工具。具体的建模过程如图5。神经元软件提供了一些工具,可以方便地构建、管理和使用模型合理,计算高效的方式。特别适合问题密切相关的实验数据,特别是那些涉及复杂的解剖和神经生物物理特征。

神经元软件提供了两种方法来构建神经系统模型。首先是图形用户界面(GUI),不需要任何编程代码,如CellBuilder(创建神经元模型)、渠道构建器(构建离子通道模型),线性电路Builder(线性神经回路发生器)和网络构建器(建立一个小型网络原型)。第二是使用的语言来编写自定义模型参数来实现更复杂的功能。

神经元软件包括两种编程语言,即高级计算语言(计算器(HOC)和高阶模型描述语言(NMODL))。使用GUI构建神经系统模型描述参数如形态和特征是相对的。它可能不符合实际的复杂网络建设。特殊语言实现面向对象编程的一些特性,大量的内置库函数,允许用户自定义的复杂网络模型。NMODL语言主要用于描述神经元细胞膜。神经元软件也嵌入现成的离子通道模型和突触连接模型。这些模型可以通过GUI或直接称为和设置的语言。当然,各种生理特征也可以通过NMODL定制,如钙离子通道模型和钾离子通道模型。

神经元的优势软件可分为以下几方面:(1)生物物理学是嵌入式的基本模型函数库。这些模型的更常用的是高度差方程和突触连接方程(EXP)。用户只需要调用这些函数来构建模型和观察的总体特征模型不考虑复杂的数值解过程在中间。这也是神经元软件的设计目标之一,帮助建模解决先进的神经科学研究的问题,而不被打扰的低级数学或计算问题。(2)提供各种各样的数值积分方法。相反的欧拉方法是一个基本的数值积分方法。它相对简单,且具有良好的稳定性。虽然精度不够高,但它仍然可以满足大部分需求。Crank-Nicolson方法具有较高的精度和稳定性,但这需要更多的时间。自适应积分法可以灵活调整的顺序和步骤长度根据实际情况和取得了快速、高精度的目标。(3)GUI简化模型建设的难度。你可以直接在GUI上设置参数,创建一个单一神经元模型或神经系统模型由多个神经元模型,和控制仿真过程视图模型的输出。

然而,在建模过程中,神经元的新的特殊语言平台增加了建模的难度,而且有更少的书籍和相关资料,可以称为和学习;内容的同时,因为生物神经网络的神经元参与我们的编程,如果理解不深,它有点难以解释实验的偶然现象。但现有模型的基础上,我们有一个新的认识和更深入地理解神经元建模,这为我们提供了很大的帮助。

3.2。仿真实验

仿真模型建立了基于神经元仿真平台,由一个人为地刺激和刺激细胞作为输入。其中,100 GCs, 2 BCs,随机选择2 MCs接受刺激,相当于实际齿状回神经系统通过穿孔。路径传输的刺激。NetStim类传递一个刺激,和自定义VecStim类生成连续刺激通过阅读文件中输入脉冲的时间。模型保存网络连接和神的点改变文件通过文件接口和显示图像的神经元的电位变化和网络活动的形象。

设置数值计算的时间步长为0.1 ms和持续时间100毫秒和5 ms仿真开始后,提供一个输入刺激为模型,以模拟的持续时间为横轴,以毫秒为单位,和膜电位作为纵轴,在毫伏,观察神经元电位的变化。在没有外部刺激,神经元是休息。在正常情况下,神经元的静态电位通常是围绕−70 mV;当刺激细胞膜时,可能发生变化。当膜电位达到一个阈值约−40 mV,膜的原始负电位迅速消失,可能成为20 mV 40 mV,整个膜电位变化的幅度可以达到90到130 mV。静息电位、动作电位和神经元的阈值模型如表所示3。膜电位的变化的四种类型的神经元与神经元动作电位的一般规则。

的时间改进模型中的每个神经元接受刺激,达到阈值,出现峰值,回到休息是在表4。人为地刺激神经的刺激输入时间5^th女士由于细胞延迟、传输延迟和突触延迟网络,GC,公元前和MC接收刺激时间的延迟大约4 ms。HIPP和如果HIPP,因为MC不接受外部刺激,产生动作电位的时间晚于神经元直接接收输入的刺激。

执行简单的仿真实验改进的齿状回神经元模型仿真平台。首先,基于神经元的数量和电生理数据,只有四种类型的齿状回神经元数量的绝对优势建模。这四种类型的神经元是颗粒细胞(GC)和苔藓细胞(MC),篮子细胞(BC), HIPP细胞。根据这四个主要类型的神经元的数目,减速比为2000:1是用来构造一个齿状回的简化仿真模型。的比例的四种神经元数量减少后GC:主持人:公元前:HIPP = 500:15:5:6。

在仿真实验中,数值计算的时间步长设置为0.1 ms和持续时间是100 ms。介绍了刺激之前,每个神经元的膜电位设置的静态电位−60 mV。5 ms仿真开始后,输入到模型提供刺激。这时,仿真模型使用刺激引入的一个人工刺激细胞作为输入。模型保存网络连接和神的点变化的文件通过文件接口和显示图像的神经元的电位变化。显示潜在的变化图像,仿真时间作为横轴,单位是毫秒,膜电位是作为纵轴单位是毫伏;观察神经元膜电位的变化。

图6显示神经元电位图的比较和网络活动图模型前后改善。数据6(一)和6 (b)之前和之后的网络活动图模型改进,和数字吗6 (c)和6 (d)神经元电位变化前后的模型改进。比较数据6(一)和6 (b)和数字6 (c)和6 (d),可以看出删除GCs在模型之间的联系减少模型和刺激的兴奋性神经元之间的传输模型。这种现象符合减少兴奋性的生理特征后的齿状回删除苔藓纤维发芽的病理状态。模型内部的刺激传播时,有显著性差异的变化的胞体潜力模型中MC和BC之前和之后的改进。公元前的潜在变化前后的模型改进如图6 (e)。公元前前模型改进,不仅会收到人为刺激刺激神经元。大约10 ms,刺激通过神经网络传播产生动作电位。模型改进后,减少了模型的兴奋性。只有输入刺激BC产生动作电位,从网络和没有刺激。图6 (f)显示了MC细胞潜在的变化前后模型的改进。MC只接受输入的刺激。从图可以看出,由于突触和轴突传导网络的延迟,产生的动作电位是晚了。因此,改进的模型可以模拟齿状回健康状态在一定程度上。

从图可以看出,峰值,和数量的神经元动作电位产生的四种类型的不同,和休息时间恢复潜力也是不同的。在真实的生物神经系统,不同类型的神经元有不同的特点和不同的刺激传播距离,还会有延迟,如细胞延迟、传输延迟和突触延迟(18]。此外,分析改进的神经元的刺激响应特性更明显,相同的神经元膜电位变化也观察到的不同立场。众所周知的2^nd节,每个GC是提供两个树突,并且每个树突分为四个部分,即四个隔间。根据树突和胞体之间的距离,马克第一节,第二节,第三节和第四节远近的分别,然后记录在每个部分树突的潜在变化。

数据7- - - - - -10显示第一个GC树突膜电位的变化在不同的位置,从远端树突GC(第四部分)的近端树突(第一部分),然后胞体;膜电位的峰值逐渐增加。输入刺激后,不同的神经元模型和不同位置相同的神经元产生动作电位做出快速响应。在刺激后,他们逐渐恢复稳定状态。这一现象与真实神经元的刺激响应特性是一致的。实验结果表明,改进后的齿状回模型可以像真正的响应刺激神经元网络,产生动作电位,将刺激神经网络。

3.3。小世界特性的分析

生物神经系统是一个典型的复杂网络,其网络结构通过解剖学知识可以被理解。然而,在大多数研究情况下,你想要了解背后的一些隐藏的特征结构的神经系统。在这个时候,你需要使用相关分析工具进行研究。图论是通常用于分析生物神经系统。神经元被表示为图节点,神经元之间的联系被表示为图的边缘。这相当于图类似于神经系统的连接方式,然后等效图中包含的一些特点进行了研究。其中,小世界网络理论非常适合学习高度聚集,紧密联系稀疏网络。

为了更好地研究网络结构的拓扑特征,瓦特和“19)提出,数学上定义一个小世界网络的概念。在这样的网络中,有两个关键指标:节点之间的平均距离L和聚类系数c L节点之间的平均距离反映了全球连通性,定义如下。假设有一个图G N个节点;两个节点之间的最短路径长度d代表最少的边传递过程中从一个节点到另一个地方。公式(1)代表节点的平均路径长度我和公式(2)显示了网络的平均路径长度。聚类系数C用于显示本地连接的网络的程度。与k节点的邻居可以最多 边缘。首先,计算每个节点之间的边的实际数量比和你的邻居E来 ,然后计算的平均比率的所有节点的聚类系数C。方程(3)代表节点的聚类系数我,(4)代表网络的聚类系数。聚类系数C是一个系数来描述网络中节点之间的聚合度,代表了一个节点的相邻节点之间的连接程度的网络:

一般来说,网络拓扑结构可以分为三种类型:(1)常规网络(常规网络),其中任何两个连接节点之间的距离是最近的,和两个节点之间的距离由大量的节点在中间,和l和C都是大;(2)随机网络(随机网络),与常规的网络,每个节点的连接不受空间限制,l和C都是小;(3)小世界网络,全球连接的节点和当地其他两种类型的网络之间的连接。有连接相邻的节点和连接遥远的节点;换句话说,如果l很小,C很大。

当判断网络是否有一个小世界的特点,它不能直接判断基于的大小l和C。通常,首先找出相对应的等效随机图网络。的节点数、边的数量和平均程度的随机图是相同的网络和计算和 ;看到(5)和(6)。如果l≥和C> > ,这意味着网络具有小世界特性。这种判断方法称为半定量的分类定义的小世界网络18]:

然后,小世界商问介绍了代表小世界特性的特征参数。这个公式所示(7)。如果小世界商问大于1,这意味着网络具有小世界特性。系数越大问,网络的小世界特征越明显(20.]:

在仿真实验结束后,连接矩阵的模型可以得到改善。然后,计算C和l,以及和图的等价的随机数。计算结果表5和6。

从计算结果表5和6,l< ,和一个小L表明,平均而言,改善齿状回模型在全球范围内保持良好的关系。C> > ,符合小世界网络的聚类系数高。小世界的商问> 1,这表明改进后的齿状回模型具有小世界特性。小世界商的同时,改进的模型比改进前的小世界模型的系数,表明小世界特性的改进的模型比之前改善更明显。这表明,改进后的齿状回网络模型可以模拟真实的神经网络在某种程度上,并结合仿生实验结果的改进模型神经元平台,本文可以得出这样的结论:改进仿生模型在一定程度上可以模拟真实健康的齿状回。

4所示。结论

根据病理的研究由Santhakumar齿状回模型,本文提出了一种改进的齿状回模型并进行仿真实验和结构分析。本文首先介绍了结构、神经元和齿状回的连接细节,以及现有模型,病理状态下的齿状回。然后,基于仿生学的概念,提高了齿状回模型,遵循健康的齿状回神经元的连接尽可能在实际情况下,和删除颗粒细胞和颗粒细胞之间的联系。然后,仿真模型的神经元平台上完成。从神经元膜电位的变化,模型中响应输入刺激产生动作电位和传送刺激,这符合神经元的生理特点。最后,小世界网络的定义是用来判断的小世界特征改进模型。通过对实验结果的分析,改进后的齿状回真正模拟模型在一定程度上齿状回神经元之间的连接。

改进的模型变得更加现实和多才多艺,可以更好地描述细胞的功能作用在齿状回,和随后的功能研究具有重要意义的齿状回。通过建模的齿状回一个健康的状态,它能更清楚地分析其生理特点,为临床疾病研究具有参考意义引起的齿状回。在未来,它将被认为将模型与深度学习的领域21)和医学知识地图(22)来提高模型的仿生程度,扩大模型的应用范围。

数据可用性

所需的实验数据在文章中已经详细描述这篇文章(访问https://github.com/weniu/Dentate-gyrus-NEURON)。

附加分

CCS概念包括计算方法、建模与仿真模型的开发和分析,模型验证和确认。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

确认

这项工作部分的国防基础科研项目支持国防科学与工业部门(WDZC20205500119),湖南省科学技术厅高新技术产业科技创新领先的项目(2020 gk2009),湖南省交通部科技进步和创新项目(201927),开放的研究项目的工业控制技术国家重点实验室,浙江大学、中国(ICT2021B10)和湖南省自然科学基金(2021 jj30456)。