厦门杂志期刊论文发表=海马CA3主神经元数据驱动生物物理模型中特定信息传递的细胞类型特异性机制

丹尼尔·利纳罗 ，马修·利维，大卫·亨特

出版日期： 2022年04月22日

抽象

突触输入到动作电位输出的转化是一种基本的单细胞计算，由不同细胞形态的复杂相互作用和定义细胞表型的离子通道的独特表达谱产生。旨在揭示传递函数机制的实验研究带来了重要的见解，但范围受到技术可行性的限制，使生物物理模拟成为一种有吸引力的补充方法，可以突破我们对细胞计算的理解。在这里，我们采用数据驱动的方法，利用高分辨率形态重建和膜片钳电生理学数据以及多目标优化算法，基于构成该区域的两种主要细胞类型，构建两组小鼠海马CA3锥体神经元的生物物理详细模型。我们评估了这些模型的性能，发现我们的方法定量匹配了细胞类型特异性激发表型，并概括了数据中固有的群体水平变异性。此外，我们证实优化算法发现的电导值与两种细胞类型的单细胞转录组学数据中差异表达的离子通道基因一致。然后，我们使用这些模型来研究细胞类型特异性生物物理特性，这些特性涉及通过对其各自传递函数的信息理论处理来产生由突触输入驱动的复杂尖峰输出。我们的模拟确定了许多细胞类型特异性生物物理机制，这些机制定义了形态功能表型以塑造细胞传递功能，并将这些发现置于CA3循环网络同步动力学中爆发的作用的背景下。

作者简介

海马体由多种类型的神经元组成，这些神经元构成了其丰富的网络动力学库的细胞基质。其中包括尖锐的波，神经元集合的顺序激活，已被证明与学习和记忆至关重要。在海马体的CA3区域，两种类型的兴奋性细胞，多刺和无刺神经元，在锐波的不同阶段优先活跃，这表明这些细胞类型在记忆巩固等现象中具有不同的作用。使用严格的数据驱动方法，我们建立了多刺和无刺细胞的生物物理现实模型，并使用它们来研究这两种细胞类型之间的综合差异。我们发现，这两个神经元类都能够以超线性方式整合传入的突触输入，尽管只有a-thorny细胞对空间和时间聚集的突触输入做出反应。此外，通过使用基于信息理论的计算方法，我们表明，由于这种爆裂倾向，a-thorny细胞可以在它们的峰值输出中编码比它们多刺的对应物更多的信息。这些结果揭示了两种兴奋性神经元的计算能力，并表明多刺和无刺细胞可能在海马网络同步的产生中发挥不同的作用。

引文： Linaro D，Levy MJ，Hunt DL（2022）海马CA3主神经元的数据驱动生物物理模型中细胞类型特异性信息传递机制。PLoS Comput Biol 18（4）：e1010071。https://doi.org/10.1371/journal.pcbi.1010071

编辑 器： Michele Migliore，国家研究委员会，意大利

收到： 一月 15， 2022;接受： 三月 31， 2022;发表： 四月 22， 2022

版权所有： ? 2022 Linaro 等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用，分发和复制，前提是注明原始作者和来源。

数据可用性： 用于模拟本文中提出的模型的神经元代码，以及我们分析中使用的神经元形态和个体的子集，可以使用267307的加入数在ModelDB上找到，而用于执行模型优化的代码可以在 https://github.com/danielelinaro/neuronopt 免费获得。本文中提供的数据可通过Figshare在 https://doi.org/10.6084/m9.figshare.19398776 获得。

资金： 作者没有为这项工作获得任何具体资金。

相互竞争的利益： 作者宣布不存在相互竞争的利益。

介绍

确定具有不同形态和生理表型的神经元如何不同地处理信息是理解大脑中细胞类型的多样性如何产生支持认知功能的电路特异性计算的关键一步。最关键的单细胞计算之一是神经元将突触输入转换为动作电位（AP）输出（即神经元传递函数）的整合过程。鉴于每个神经元可能接收的突触输入模式的广度，AP输出模式具有高度的异质性，其生物物理基础尚未完全理解。具体而言，复杂的尖峰或爆发发射是一种神经输出模式，由许多物种的大脑中的众多细胞类型表现出来，跨越广泛的系统发育复杂性。这种特殊形式的信息表示和传输已被假定为克服突触传输的不可靠性[1]，通过内在共振机制[2]提供一种选择性信息路由的方法，并代表相对于单尖峰速率编码的并行编码维度[3].此外，已经发现的哺乳动物神经元爆裂的生物物理机制表明，这些事件的发生响应于对不同树突状结构域的结合输入：这些在生物物理上表现为树突状平台电位，可以在其上观察到一系列高频AP。此外，爆裂已被证明是诱导突触可塑性的一种高效手段[4-6]，它可以支持信息存储并作为特征选择性获取的基础[7-10]。

尽管爆发放电具有生理重要性，但这种活动模式背后的生物物理机制可能是细胞类型特异性的，并且对于许多神经元类型来说并不完全理解。为此，构建数据驱动的模型是测试有关不同神经元细胞类型整合特性的假设的一种有吸引力的方法，然后可用于模拟如何在不同的形态和生理表型中实现单细胞计算。之前的大多数研究已经检查了计算模型中的复杂尖峰行为，其中生物物理机制的参数和电导水平是“手动调整”的[11-15]。虽然这种做法可以在有限的刺激范围内在模拟和实验之间产生定性相似的特征，但以这种方式对模型进行参数化可能会陷入参数优化景观的局部最小值，因此可能会显示非生理行为或具有有限的动态范围。为了规避这一陷阱并加快通常繁琐的手部调整过程，开发了与遗传算法配对的多目标优化策略[16，17]。这项创新实现了更强大的参数优化过程，该过程已被广泛用于生成数据驱动的生物物理模型[18-20]。

在这里，我们采用数据驱动的方法，基于膜片钳电生理学数据和高分辨率形态重建，开发海马CA3锥体神经元的细胞类型特异性多区室模型。我们建立了两个不同的个体群体，能够概括在海马体CA3区域发现的两种主要细胞类型中观察到的放电表型，即多刺的有规律的尖峰细胞和无刺的内在爆裂细胞[21]。然后，我们证明模型中生物物理机制的优化电导值对应于由单细胞RNA测序（scRNAseq）数据定义的转录组细胞类型中的相对基因表达水平。具体来说，我们发现差异表达的基因与细胞类型特异性离子电导值之间存在一致性，从而验证了我们的数据驱动方法。然后，我们利用这些生物物理学上详细的模型来研究多刺和无刺锥体细胞的整合特性，以深入了解它们的细胞类型特异性特性如何影响信息传递能力。我们发现，两种主要细胞类型都可以超线性地将突触输入整合到它们的树突中，而无刺细胞在受到时空相关突触输入的刺激时表现出发射突发的偏好。a-thorny细胞优先发出复杂尖峰的内在趋势赋予它们相对于常规尖峰细胞以放电模式编码信息的更大能力。a-thorny pyramidal神经元较高的信息传输能力与先前建立的a-thorny cell发出的突发作为尖波（SW）同步事件的触发器的作用有关[21]。从这个角度来看，我们的结果揭示了细胞水平的生物物理机制和整合过程，这些机制和过程促进了CA3循环网络中的同步动力学。

结果

CA3主要细胞类型的生理学

此前，我们在海马体的CA3区域（无刺主细胞）中鉴定并表征了一种新的锥体细胞类型。这两种主要的兴奋性细胞类型与它们的多刺细胞对应物一起构成了海马体的CA3区域[21]。为了进一步评估海马CA3细胞类型的生理特性，并获得对体细胞电流注射以及自发突触活动的广泛反应库，我们从小鼠的CA3锥体神经元获得了急性切片中的全细胞记录。通过在400μm厚的切片中以100-200μm深的盲修补以无偏的方式对神经元进行采样。每个电池的固有特性通过以电流钳位模式提供的一系列体细胞电流注入来表征。

每种细胞类型的一系列体细胞电流注射的代表性细胞形态和放电模式如图1所示。如图A和C所示，CA3主细胞之间存在几个关键的生理差异：最值得注意的是它们在流变碱基附近的放电模式，其中多刺细胞表现出规则的尖峰表型，而a-thorny细胞的特征在于内在爆发的表型。重要的是，两种不同的发射表型与细胞类型之间的关键形态学差异密切相关，如图1B和1D所示。具体而言，规则的尖峰细胞显示出突出的带刺排泄物，复杂的多刺结构，其中来自齿状回的苔藓纤维轴突与肺门的苔藓细胞和CA3锥体神经元形成突触。相反，本质上爆裂的细胞缺乏这些突触后结构，并且很少或根本不接收来自齿状颗粒细胞的输入[21]。S1表中报告了两种细胞类型的全面电生理学表征的结果：此外，图1E显示了两种细胞类型之间显着不同的六种电生理特征（归一化为它们的变异范围）的小提琴图。在图1F中，这些相同的数据是使用UMAP算法[22]绘制的降维图，这清楚地显示了多刺和无刺细胞如何分离在两个不同的个体簇中，表明这些细胞构成了海马体CA3区域中主神经元的两个独立群体。

thumbnail 下载：厦门杂志期刊论文发表=

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 1. CA3锥体神经元的生理和形态表型。

（A）一系列体细胞电流注射的代表性痕迹，其中观察到规则的尖峰发射表型。（B）左图，记录在（A）中的细胞的生物细胞素染色，其中显示了树突及其在CA3区域层流结构中的分布的全尺寸视图。近端顶端枝晶的插图，高倍率视图，其中可以观察到突出的复杂多棘结构，称为带刺排泄物。右，生物细胞素染色细胞的3D形态重建。（C）从一系列体细胞电流注射中观察到爆裂表型的代表性痕迹。（D）左图，记录在（C）中的细胞的生物细胞素染色，其中显示了树突及其在CA3区域层流结构中的分布的全尺寸视图。近端顶端树突的插图，高倍率视图，其中明显缺乏复杂的棘刺（a-thorny）。右，生物细胞素染色细胞的3D形态重建。（E）生理特征摘要（在两个细胞群中每个特征的变异范围内归一化），突出了常规尖峰和爆裂细胞群体中的几个关键生理差异。（F）所有记录细胞的生理特征聚类清楚地显示了两个主要细胞类别，它们对应于常规的尖峰（多刺）细胞和本质爆裂（a刺）细胞。

https://doi.org/10.1371/journal.pcbi.1010071.g001

CA3锥体细胞类型的生物物理模型

CA3多刺细胞和无刺细胞的特征在于完全不同的形态学和电生理学特征，并且在CA3网络动力学中起着至关重要的不同作用[21，23]。为了在这些细胞的详细生物物理模型中捕获这些表型的定义特征，我们采用了多目标优化框架，并使用BluePyOpt与遗传算法配对[17]。这个开源Python包使我们能够探索广泛的参数组合，并最终调整模型的参数，使模型的行为与从体细胞电流注入实验中提取的特征紧密匹配。我们利用了一系列离子机制，其分布适合CA3锥体神经元[20]，其中两个重要的区别旨在更好地捕获a-thorny细胞类型的爆裂表型特征。首先，我们包括位于异源周的持续钠电流[24]，其次，我们选择优化模型中调节细胞内钙动力学的参数 - 即钙缓冲的时间常数和细胞内游离钙的可用性，共产生24个游离参数。BluePyOpt实施的多目标优化策略的主要优势在于它产生一系列解决方案，称为个体，而不是单个最优值。优化的单个解包括满足目标特征施加的约束并占据帕累托最优边界的最终模型群[16，25]。由于每个特征的误差都是以与实验平均值的标准偏差单位测量的，因此这种策略导致一群个体的内在变异性概括了在急性脑切片实验中观察到的个体。

作为优化工作流程的一个组成部分，我们利用每种生理细胞类型的三种重建形态（图2A），并对每种形态进行了多次优化运行。通常，每次运行由128或144个个体组成，并进化了100到150代，此时后续世代高原的误差减少（图2B）。从多目标优化的最终解集中，我们选择了每个特征的误差低于平均值6个标准差的个体，确保每个模型的行为与用作优化目标的单元格的行为相匹配。这导致总共有180个和172个个体分别符合多刺和无刺细胞的纳入标准。这些个体被细分为每种细胞类型优化中使用的三种形态。如图2C和2D所示，膜电压（Vm使用模型获得的迹线响应于电流增加的恒定步长（分别为多刺和无刺细胞的黑色和红色迹线）在质量上与相应的实验记录（分别为多刺和无刺细胞的灰色和粉红色迹线）非常相似，用于两种细胞类型。重要的是，多刺细胞模型（图2C）通常能够再现实验中观察到的整体规则放电表型和在刺激开始时在大多数多刺细胞中观察到的高频AP双峰，以获得足够高的注入电流值。另一方面，a-thorny电池模型显示了在膜片钳实验中观察到的特征性高频爆发（图2D），随着注入电流的大小增加，整体发射速率略有增加，这与我们的数据一致。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 2. 生物物理上逼真的神经元模型概括了CA3锥体细胞的不同电生理表型。

（A）本研究中使用的详细的多刺（顶部，黑色）和a刺（底部，红色）细胞形态。（B）a-thorny细胞模型的人口适应度作为优化时代函数的典型演变：灰色阴影区域表示第25和第75百分位的范围，蓝色轨迹是人口适应性中位数，橙色轨迹是每个时代最佳个体的适应性。在优化多刺细胞模型方面也观察到了类似的结果。（C）多刺规则尖峰电池的代表性体细胞电压迹线，以响应模型和实验中恒定注入电流水平的增加（分别为黑色和灰色迹线）。（D）与（C）相同，但用于a-thorny内在爆裂细胞类型（红色和粉红色痕迹分别是模型和实验Vm）。在（C）和（D）中，注意模型如何能够在刺激开始时和刺激的整体持续时间内重现放电表型。（E）模型和实验中的静态输入输出关系（f-I曲线），计算为刺激期间发射的尖峰总数除以刺激和无刺细胞的刺激长度（分别为黑色和红色迹线）。标记和误差线分别指示均值和 SEM。（F）初始点火频率与模型和实验中注入的电流成函数关系。颜色代码与 （E） 中的颜色代码相同。

https://doi.org/10.1371/journal.pcbi.1010071.g002

为了更精确地评估模型响应的质量，我们通过注入500 ms长的直流注入步骤，计算了符合先前指示的质量标准的所有个体的静态输入输出关系（f-I曲线），类似于膜片钳实验中所做的。然后，我们测量了总点火速率作为500 ms长的电流注入间隔内的尖峰数，并将初始发射速率作为列车中前2个尖峰的尖峰间间隔的倒数。图2E和2F显示了基于形态（分别为带刺和无刺细胞的黑色和红色圆形标记和误差线）平均的模型的f-I曲线。与实验测量的f-I曲线（灰色和粉红色方形标记和误差线）的一致性对于整体发射速率（图2E）和初始发射速率（图2F）都很高。此外，这些模型正确地捕获了可以通过实验观察到的流变碱的差异（通过优化获得的所有个体的变碱基的超平均值：200±4.2 pA与69±刺和a-thorny细胞分别为1.1 pA，p<10?10，学生 t-检验）。这些数据共同表明，我们的数据驱动方法是一种强大的方法，可以生成忠实地概括单个细胞类型的生物学表型的模型。

CA3兴奋性神经元的模型参数分布与scRNAseq数据的比较

鉴于我们采用的进化优化产生了一组在不同程度上满足优化约束的个体，我们研究了多刺细胞和无刺细胞之间参数值集的差异，并将其与scRNAseq数据进行了比较。该分析的目的是双重的：首先，它提供了细胞间和细胞内类型异质性的定量以及形态对放电行为的影响。其次，它阐明了哪些参数导致a-thorny细胞产生AP爆发的倾向增加。我们首先使用UMAP算法[22]将接受个体的参数从原始的24维空间映射到2维空间：如图3A所示，a-thorny个体（红点）更紧密地聚集在一起，并且没有观察到不同形态的主要影响。另一方面，多刺细胞（黑点）作为连续体出现，细胞形态在个体聚类方式中起着更突出的作用。有趣的是，当使用UMAP可视化来自CA3兴奋性神经元的scRNAseq数据[26]时，我们发现了一个非常相似的图片，如图3B所示。通过使用所有基因和莱顿聚类算法[27]，我们在细胞群中获得了一个主要细分，清楚地将CA3主细胞分为两个主要簇：一个更多和更分散的一个（黑点）和一个紧密簇的小组（红点）。这些结果与先前的证据一致，即两种主要的形态功能细胞类型对应于多刺和无刺细胞，其中a-thorny神经元是少数群体。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 3. 模型参数的分布反映了差异表达的离子通道基因。

（A） 使用 UMAP 变换的参数值的比度表示：每个点表示一个个体，闭合线表示与给定形态获得的所有个体相关的凸壳（根据凸壳和其中包含的点进行相应的颜色编码）。（B）基于scRNAseq数据的CA3兴奋性神经元的UMAP投影和聚类。使用分辨率为 0.65 的 Leiden 聚类算法描绘了 CA3 主神经元群体中的主要分裂。请注意，CA3主细胞主要由较大的细胞群（簇1，黑色）和第二个少数细胞群（簇2，红色）组成。（C）分析中包含的模型细胞的四类不同离子通道（钾，钙，钠和超极化激活）的最大电导值分布的小提琴图，在S2表中报告的每个参数的允许变异性范围内归一化（黑色和红色分别表示多刺和a刺细胞）。虚线表示总体的中位数，而上虚线和下虚线表示分布的第 25 和第 75 百分位。两种细胞类型之间的大多数参数分布显着不同（非参数Kolmogorov-Smirnov检验：* p <0.05，** p <0.01，*** p <0.001）。有关其余参数，请参见 S1 图。（D）属于簇1（黑色）或簇2（红色）的细胞的表达水平，如（C）所示的类似离子通道基因类别。请注意，大多数Na通道基因的表达水平没有显着差异，而Ca和K通道基因在两个簇之间的表达显着差异（非参数Kolmogorov-Smirnov测试：* p <0.05，** p <0.01，*** p <0.001）。

https://doi.org/10.1371/journal.pcbi.1010071.g003

图3C显示了两种细胞类型之间参数分布的差异，图3C显示了在优化过程中归一化到其变异范围并根据离子通道物种分组的参数的小提琴图。最突出的差异可以在钾电流中观察到，钾电流在无刺细胞中被下调。有趣的是，在钙电流中，只有T型在a-thorny细胞中下调，而另外两种钙电导在两种细胞类型之间没有显着差异（两个样品Kolmogorov-Smirnov测试）。另一方面，负责AP起始的主（快速）钠电流在无刺细胞中上调，表明该细胞类型的兴奋性增加。两种细胞类型之间的钙动力学也显着不同（参见图3C中未显示的参数分布的S1图）：钙缓冲的时间常数在a-thorny细胞中显着较大，而游离钙的可用性较低。在无刺细胞模型中，慢速和快速变量的这种相互作用是其爆破能力的基础[24，28]。这一发现表明，CA3主细胞中可能存在两种类型的爆破：一方面，可以观察到依赖于钠和钾电流相对贡献的体细胞生成的爆破，以响应恒定步进电流的体细胞注入。另一方面，树突状平台爆裂可以通过持续的突触活动引起，如以下各节所示。

为了进一步验证优化结果，我们对图3B所示细胞簇之间的scRNAseq数据进行了差异表达分析。虽然我们在实施的显著性阈值下观察到许多差异表达的基因，但我们选择专门关注离子通道基因，以比较离子通道的差异表达与优化算法发现的细胞类型特异性模型中电导值差异的关系。我们发现在我们开发的模型中赋予细胞类型特异性放电表型的电导值与对应于这些生物物理机制的离子通道基因的表达水平之间存在几个重要的一致性。我们再次关注模型中存在的三种主要电导类型，即钠，钾和钙。这三类电导类型中的每一种在模型中都具有几种机制，对应于不同的通道亚类型，而这些子类型又与几个通道亚基基因相关。为了将模型中的电导值与两个主要簇之间离子通道基因表达的差异联系起来（见图S2），我们检查了与模型中生物物理机制相对应的关键离子通道基因的表达水平（图3D）。与我们对模型参数分布的观察类似，我们发现钾和钙通道的表达水平存在显着差异，而钠通道的表达水平在两个细胞组之间基本保持不变。这些数据共同为我们采用的数据驱动方法提供了独立的生物学验证，其中优化算法发现导致不同生理表型的关键电导差异，同时对应于转录组细胞类型之间的实际基因表达差异，提供了生理学，形态学，生物物理模拟之间的多模态整合示例， 和scRNAseq数据。厦门杂志期刊论文发表=

有源细胞模型中树突状输入电阻的量化

然后，我们试图利用调谐的生物物理模型研究CA3中发现的两种主要细胞类型之间生物物理和功能特性的差异。首先，我们分析了输入电阻的差异（R在）值在整个树突树之间，介于带刺的常规尖峰和a刺爆裂细胞之间。为此，我们在树突树的每个隔室中注入了500 ms长的超极化电流步长，以测量其R在：如前所述 [29]，我们发现分支 R在与树突直径成反比，因此随着树突分支与细胞体的距离而增加（图4A和4C）。图4总结了优化过程中使用的三种细胞形态的这些模拟结果，其中我们根据分支是否位于基底或顶端树突上来分离结果。如图4E所示，在群体水平上，a-thorny细胞往往具有略厚的基底树突和较高的R在，而在顶端树突上测量的这一点在两种细胞类型之间具有可比性（图4F）。为了更精确地比较多刺细胞和无刺细胞，我们鉴定了a-thorny细胞形态中的末端顶端分支和多刺细胞形态中的顶端斜分支：后者是多刺细胞类型的突出特征，而在a-thorny形态中完全不存在。这种选择的原因是双重的：首先，它允许我们通过观察树突的末端无分支延伸来比较多刺和无刺细胞，其次，它可以将多刺细胞与文献中关于CA1锥体细胞的结果进行比较[29]。The R在图4G绘制了这些分支作为与原始分支点距离的函数：刺细胞沿树突距离的依赖性让人想起之前在CA1锥体细胞中观察到的[29]，而较高的R在在无刺细胞的末端分支中观察到的值表明，这些树突分支可能特别适合于输入区室化和通过活性电导产生非线性。我们计算了树突R在使用去除钠通道电导的活性细胞模型，模拟TTX的浴应用。这样做是为了具有与下一节中报告的振幅比的膜片钳实验相同的实验条件。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 4. 细胞类型特定模型的独特树突状特性。

（A）分支输入电阻的代表性分布（R在） 本研究考虑的一个棘手形态中的值。顶部：颜色越暖，表示 R 值越高在和黑色箭头指示面板（A）和（B）底部显示的样品电压迹线的记录位置。底部：响应于体细胞中注入500 ms长超极化电流以及顶端和基底枝晶的一个隔室中的电压迹线示例。（B）振幅比值在（A）所示的同一个体中的代表性分布。顶部：颜色越暖表示振幅比值越高，与 R 呈反比关系在.底部：在脊柱头、枝晶轴和体细胞中记录的示例电压迹线，以响应于EPSP形电流在脊柱头部的注入，其振幅被动态调整以导致脊柱中约10 mV的Vm偏转。（C、D）与（A，B）相同，但适用于a-thorny细胞类型的代表性个体。注意 R 的最高值在在多刺细胞中位于顶端斜，而在a-thorny细胞中R在通常随着与体细胞的距离而增加。（五、法）R在作为图2所示每种细胞类型的三种形态的基底和顶端树突直径的函数。点和条形分别表示平均值和标准偏差。（G） R在作为带刺和无刺细胞（分别为黑色和红色标记）沿远端顶端树突（即由分叉和树尖之间组成的无分支树突拉伸）的距离的函数。点和条形分别表示在图2所示形态上计算的平均值和SEM。（H） 与 （G） 相同，但用于突触输入的幅度比。

https://doi.org/10.1371/journal.pcbi.1010071.g004

确定树突棘突触输入的振幅比

鉴于在两种细胞类型模型中观察到的树突态输入电阻的差异，我们研究了位于树突棘上的突触输入如何在空间和电学上与树突树的其余部分隔离。与之前的研究[29]一致，我们将脊柱建模为代表头部和颈部的两个圆柱形隔室（头部长度和直径：0.5μm，颈部长度和直径分别为1.58μm和0.077μm，除非另有说明）。棘具有与其母树突分支相同的轴向阻力，并且在这些模拟中仅包含被动通道，其性质与连接棘的树突分支的特性相匹配。为了计算脊柱和树突树之间的振幅比（AR），我们将EPSP形电流注入脊柱，其最大振幅被动态调整以引发Vm脊柱偏差约为20 mV。然后，AR被定义为在脊柱中测量的EPSP与在树突中引发的EPSP的比率（还测试了不同的值，并且不会导致AR的计算值发生显着变化）。图4B和4D显示了这些模拟的结果，每种细胞类型的一种代表性形态，其中AR与分支R相关在并具有枝晶的直径。通过关注前面讨论的R的顶端树突分支的子集在测量，我们发现振幅比分别随着斜枝晶和末端分支的距离而下降，分别用于多刺细胞和a-thorny细胞。然而，两种细胞类型的AR值存在显着差异：多刺细胞的AR值明显小于在CA1锥体细胞中观察到的值（这至少可以部分解释为[29]的实验是在大鼠细胞中进行的），而a刺神经元的AR大约是CA1锥体细胞的两倍，几乎是一个数量级。比多刺细胞中的AR更大（至少靠近分支点）。在相同的分支中，a-thorny细胞显示出较大的树突直径和较小的R在，它与有源离子电导一起解释了AR值的差异。这个和更高的R在在这些相同的树突中观察到的观点表明，在划分突触输入撞击树突时，a-thorny细胞可能比多刺细胞更适合。

细胞类型特异性突触配合性和非线性突触整合

在结果表明多刺和无刺细胞中的树突棘提供突触输入的细胞类型特异性区室化之后，我们在棘中包括AMPA和NMDA受体，并模拟簇状突触输入到达顶端树突树枝分支上多达九个相邻棘上，如图5A所示，以及图5B中考虑的两种形态。我们调整了AMPA和NMDA突触的权重，使其具有Vm由于NMDA分量，脊柱头部的偏转约为20 mV，尾部很长（NMDA衰变时间常数分别设置为50和100 ms，对于多刺和无刺细胞，以匹配实验数据，见S3图）。AMPA和NMDA的其他突触参数对于两种细胞类型相同（参见材料和方法）。当只有一个突触输入被激活时，细胞反应类似于我们在之前的一组实验中观察到的，在脊柱头和树突轴中直接注入EPSP形电流。此外，我们在EPSP之间获得了显着的减少。脊柱和EPSP树窝.对于图5B（右形态）中所示的代表性a刺细胞，这导致AR值约为7.3，而图5B（左形态）中所示的刺细胞的AR值略高，约为9.5，表明与a-thorny细胞相比，多刺细胞更远端分支中脊柱输入的区室划分更高。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 5. 细胞类型特定模型中突触输入的协同性和非线性扩增。

（A）实验设置示意图：将9根棘放置在顶端分支上，并依次通过突触前尖峰的到来进行刺激，时间间隔为0.3 ms。每个脊柱都包含AMPA和NMDA突触，其参数经过调整，导致脊柱头部的电压偏转约为20 mV。然后，当一个或多个棘被激活时，脊柱EPSP传播到树突干和体细胞（示例电压迹线如右图所示）。（B）刺（红点）在多刺细胞（左）和无刺细胞（右）的顶端分支上的位置。（C）在树突状躯干（左上角）和体细胞（左下角）和相应的EPSP峰振幅（右，黑色标记）中记录的Vm迹线，以响应（B，左）所示的多刺细胞中突触前输入数量的增加。灰色标记表示通过将响应单个输入的EPSP幅度乘以突触前输入的数量而获得的线性预测。（D） 与 （C） 相同，但表示 （B， 右图） 中所示的 a 刺单元格。

https://doi.org/10.1371/journal.pcbi.1010071.g005

然后，我们将到达相邻棘刺的伴随突触输入的数量从1增加到9，并测量了Vm树突和索玛处的偏转。脊柱之间的距离设置为5μm，尽管我们的结果在其他脊柱间距离值上是一致的。V的时间演变m图5显示了一个代表性个体（分别在图C和D的左侧，表示多刺和无刺细胞）。对于图5D中所示的a刺个体，四个伴随的突触前输入的到来足以引发超线性响应，而在多刺细胞（图5C）的情况下，所需的突触前输入的数量等于5。然而，我们指出，这些数字取决于AMPA和NMDA权重，因此并不表示实际需要输入的数量，而是用于说明在这些细胞中可能观察到的输入的超线性求和的基础机制，与之前报道的CA1锥体细胞一致[29，然后，我们考虑了一次优化运行产生的个体群体，以绘制树突状和体细胞EPSP的平均±SEM作为输入数量的函数（分别在图板C和D的右侧，用于多刺和a-thorny单元）。响应的超线性在体细胞EPSP中尤为明显，其显示的值与实验观察到的值一致[21]。这些结果表明，当NMDA受体存在时，顶端树突上的簇状突触输入可以在两种细胞类型中产生超线性响应。然而，我们的研究结果表明，由于决定树突状分支输入电阻谱的独特形态差异，无刺锥体细胞可以以比例较少的突触输入达到超线性状态。该特性可以赋予这种细胞类型较低的阈值，以达到超线性状态和/或更长的积分时间窗口，以获得相同水平的突触驱动。

为了完成这些模拟，我们将钠电导设置为优化程序提供的值，并在改变传入突触输入数量的同时刺激模型。最后一组实验的结果如图6所示：示例Vm在体细胞，脊柱头和树突躯干中记录的痕迹分别显示在A和B图中，分别代表带刺和无刺细胞。伴随足够多的突触输入的到达导致明显的Vm脊柱头部偏转，作为树突状平台向体传播[30，31]。为了剖析每个离子电流对体温和树突Vm时间过程的精确贡献，我们通过“电流景”[32]绘制了向内和向外电流的动力学，这允许可视化每个离子电流（及其时间过程）对总向内和向外电流密度的相对贡献。值得注意的是，多刺和无刺细胞在树突状T型钙电流（图6A和6B底部图的深绿色带），几个钾通道对总向外体电流的相对贡献以及持续钠电流的数量上存在差异，这些钠电流在a-thorny细胞中大于在多刺细胞中（图6A和6B的中间图）).这些结果与先前的工作一致，这些工作已经确定了钾和持续钠电流之间的相互作用是神经元爆发基础的关键机制[24]。电流景观还清楚地表明，树突状电流诱导的体细胞去极化如何激活周围电流，这反过来又导致APs在a-thorny细胞中快速爆发，而在多刺细胞中AP输出仅限于一个。树突和体细胞区室之间的这种相互作用在体细胞AP和树突“小穗”的相对时间上是显而易见的：第一个树突小穗在第一个体细胞AP之前，表明从树突状结构域向体细胞传播，而随后的小穗遵循相应的体细胞AP，表明躯体产生的AP的树突反向传播。为了测试这种现象的鲁棒性，我们在图5C和5D使用的个体群体中进行了相同的实验，同时改变了（突触前）尖峰间间隔（ISI）和棘之间的距离：结果如图6C和6D所示，其中可以清楚地看到，a-thorny细胞的突发中的平均尖峰数表现为取决于ISI和脊柱距离的连续体， 而多刺细胞的反应则更加“二元”。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 6. 多刺和无刺细胞对簇状树突状输入的不同反应。

（A）顶部，模拟多刺细胞中的Vm动力学，以响应6个突触前输入的伴随到来。脊柱和树突Vm清楚地显示了位于AP起源处的树突平台，然后在体细胞处传播。中和下，分别在体细胞和受刺激脊柱连接的树突位置的向内和向外离子电流（即“电流景观”）的动力学可视化。在每个电流景观中，填充的黑色区域表示向外和向内电流密度的总量（分别为顶部和底部），而中间面板则量化了每个离子电流对总电流的相对贡献。对数刻度突出显示了那些对总电流贡献不大的电流的动态。右侧的彩色条汇总了每种电流类型对向内和向外总电流密度的贡献百分比，并以线性刻度显示。（B）与（A）相同，但对于a-thorny细胞：体细胞爆发的树突起源是显而易见的，并且解释了爆发中第一个AP的陡峭发作，而随后的AP是体细胞和树突离子电流相互作用的结果。注意钙活化钾电流对在体细胞处测量的总向外电流密度的不同相对贡献。（C）一群多刺细胞响应于不同数量的突触输入（在每个面板中以白色表示）以不同频率（在x轴上）到达位于不同距离（在y轴上）的脊柱上发出的平均尖峰数。（D）与（C）相同，但用于无刺细胞群。

https://doi.org/10.1371/journal.pcbi.1010071.g006

A-多刺细胞响应簇状突触输入而传输更多信息

鉴于我们上面演示的细胞类型特异性积分特性，我们想知道传输到输出尖峰序列的信息量在两种细胞类型之间是否可能不同。为了验证这一假设，我们采用了图7A中示意性地显示的实验方案，其中我们在每个细胞的体细胞中注入由Ornstein-Uhlenbeck过程建模的电流[33]。该电流旨在模拟细胞在体内经历的背景突触活动[34，35]。然后，我们在每个细胞的树突树上放置六根棘（在图5B所示的相同位置），并用短暂的突触前AP爆发激活它们，其到达时间（在每个爆发内）由泊松过程产生。突发时间也是泊松分布的，平均突发速率为2 Hz。我们将爆裂泊松过程的平均发射速率从50Hz提高到250 Hz，同时保持电池的整体发射速率大致恒定（约5尖峰/秒）。如图7B和7D所示，在多刺细胞中将突触爆发前发射速率从100赫兹增加到200赫兹只会减少响应开始的延迟，从而使所有试验计算的围刺激时间直方图（图B和D底部的黑色迹线）更陡峭。虽然这种反应发作的减少也存在于a-thorny细胞中（图7C和7E），但较高的突触前放电率也会导致3个或更多AP的爆发比例增加。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 7. 无刺细胞的放电模式编码了更多关于突触前输入统计的信息。

（A）实验设计示意图：左图，将六根棘放置在细胞的顶端树突上，该枝条同时受到OU过程的体细胞注入的刺激，模拟大量异步输入的到达撞击树突树。洋红色和绿色移液器分别代表体细胞和树突记录位置。（B）多刺细胞的峰值动力学响应于达到100或200个尖峰/秒的突触前尖峰的凌空（B）多刺动力学响应于体细胞处注入噪声电流，模仿大量突触前输入的到来，以及6个额外的树突状输入，其刺激间间隔根据泊松分布以100尖峰/秒的速率分布分布。栅格图中的每个点表示一个突触后 AP，每行显示单元响应一个突触前突发的到来而发出的 AP，时间与突触前 AP 到达时对齐。试验根据突触前爆发的持续时间进行，较短的爆发具有较低的试验编号。顶部迹线显示了树突状和体细胞Vm响应一个突触前爆发的到来。黑色迹线代表在所有试验中计算的多刺细胞的放电速率。（C）与（B）相同，但对于达到200尖峰/秒平均发射速率的突触前爆发（D，E）与（B，C）相同，但对于a-thorny细胞。注意这种细胞类型如何随着突触前放电速率的增加而优先响应突发。（F）突触后尖峰序列对多刺细胞和无刺细胞（分别为黑色和红色标记物）的熵是突触前爆发内发射速率的函数。黑色和红色虚线表示点过程在与相应细胞类型相同的发射速率下可实现的理论最大熵。（G） 与（F）所示的数据相同，但归一化为最大可达到熵。（H） 突触后发射时间和突触前爆发时间（即突触前突发中第一个AP的时间）之间的相互信息，作为突触前爆发内发射速率的函数。

https://doi.org/10.1371/journal.pcbi.1010071.g007

为了定量评估两种细胞类型产生的不同放电模式是否对它们能够传输的信息量有影响，我们计算了输出尖峰序列的熵和突触前突发开始的时间（即，每个突发中第一个AP的时间）和使用上下文树加权算法的输出AP之间的相互信息[36，我们发现输出尖峰序列的熵随着两种细胞类型中突触前放电速率的增加而增加（图7F）：然而，为了更好地辨别峰值输出结构变化与输出发射速率适度增加的贡献，我们将熵值归一化为在相同总体发射速率下使用泊松过程获得的熵值。事实上，泊松过程产生的尖峰序列具有最大熵，随着发射速率的增加而增加：熵的理论值（以位s为单位测量）-1） 由其中 r 是过程的触发速率给出，Δt 是箱体大小，e 是欧拉数。有趣的是，我们发现a-thorny细胞的归一化熵的增加比多刺细胞的增加要大得多（图7G）：其原因主要在于两个细胞的尖峰序列的不同时间结构。事实上，在没有簇状突触刺激的情况下，a-thorny细胞具有ISI的高变异系数（约1.3），但熵值较低（在相同发射速率下约为泊松过程的熵的0.6倍，图7G）。这可以解释为这样一个事实，即在爆破发射模式中，每个尖峰都有很高的概率被一个或多个额外的尖峰跟随，这降低了尖峰序列的“不确定性”，即它的熵。另一方面，多刺细胞的CV值较低（约0.65），但相应的熵值要高得多，更接近最大可达到的熵（图7G）。这样做的直接后果是，当a-thorny细胞被额外的突触输入刺激时，它们可以大大增加其输出尖峰序列的熵，因此具有更大的能力在其输出尖峰序列中编码其他信息。在无刺细胞中可以观察到的突触前突发的开始时间和输出峰值时间之间的相互信息增加（图7H）证实了这一点，进一步表明该细胞类型具有更大的能力在其输出尖峰序列中表示相关输入的到来。这些结果表明，由于它们的爆裂放电模式，a-thorny细胞更适合将有关相关输入的信息传输到它们的放电输出，可能作为CA3网络中存在相关活动的“探测器”。

讨论

与哺乳动物大脑的许多其他区域类似，海马体的特征是惊人的多种细胞类型[26，38，39]。例如，我们之前已经证明，CA3区域的主神经元被细分为两类：具有带刺排泄物的常规尖峰锥体细胞和先前未表征的a-thorny内在爆裂细胞类型[21]。为了进一步支持这种细分的基本原理，在这里我们分析了来自CA3区域的单细胞转录组学数据，发现聚类分析（基于所有基因以及离子通道基因）支持我们的假设，即CA3区域有两种主要的主要细胞类型（见图1F，3B和3D).当在细胞类型特异性通路中相互连接时，海马回路为其丰富的支持认知功能的涌现动态模式提供了基础[40，41]。其中包括SW，一种与内存召回和整合有关的网络同步事件[42]。SWs已被证明起源于海马体的CA3区域[43，44]，其中a刺细胞在SW发病时优先爆裂[21]，从而促进同步。这提出了一个有趣的问题：哪些生物物理机制和突触输入模式可以驱动这种形式的峰值输出？在这里，我们采用了一种数据驱动的方法，包括采用膜片钳电生理学和高分辨率形态学数据的组合，为两个CA3主细胞群中的每一个构建多区室，生物物理细节模型。为此，我们采用了多目标优化方法[16]，这已成为生成生物物理现实模型的事实标准[17，18，20，45，46]。与手动调整的模型相比，完全不可知的、数据驱动的优化方法可能会产生选择生物学上不现实的参数值的风险，但这些参数值只是允许模型达到足够的适应度水平。这个问题可以通过选择适当的，可能是细胞类型特异性的，允许参数变化的间隔来缓解：在我们的例子中，我们使用与[20]中描述的参数集相似的参数集，并选择适当的间隔以使其适合CA3锥体细胞。多目标优化生成了一组可行的解决方案，称为个体，它们在不同程度上满足实验约束：通过设置个体质量的阈值，我们能够生成两个细胞群，它们不仅定量匹配在单个CA3 RS和IB神经元中观察到的放电表型，而且还能够重现其内在属性的群体水平变异性（图2).从这个角度来看，本研究中开发的CA3主神经元的详细生物物理模型构成了朝着获得对细胞对CA3区域网络动力学的贡献背后的生物物理机制的机械理解的目标迈出的第一步。

独特的生理和形态特征塑造了细胞类型特异性表型

我们比较了优化算法生成的个体群体中模型参数的分布与scRNAseq数据集中离子通道基因表达水平的细胞类型特异性差异，并发现了几个重要的一致性，如图3所示。特别是，RS和IB单元在参数分布方面最突出的差异与K通道有关。除了负责AP终止的传统延迟整流器电导之外，A型和M型K通道在IB细胞类型中均处于下调状态，这表明这些细胞中产生体细胞突发的可能机制。这些结果与之前的建模和实验研究[24]一致，该研究强调了M型K钾通道在CA1锥体细胞爆发中的重要性。此外，我们发现调节细胞内Ca的参数+++2+两种细胞类型之间的动力学也不同，这与之前的实验报告一致[47]。这些结果是将兴奋性神经元的单细胞和群体水平变异性纳入海马体详细网络模型的重要一步，迄今为止，海马体主要关注抑制性神经元异质性[48]。除了多目标优化程序产生的参数分布差异外，多刺和无刺细胞还显示出几个关键的解剖学差异[21]，这些差异有助于每种细胞类型的固有特性。为了测试这种差异对两种细胞类型处理能力的潜在功能后果，我们研究了树突直径对R的影响。在CA3主神经元和振幅比差异，如图4所示。我们发现，对于给定的树突直径，a-thorny细胞平均具有更高的R在和AR比多刺细胞;当专门观察终端分支（图4G和4H）时，我们的建模结果表明R的值在在无刺细胞中，AR和AR大约是其两倍，尽管随着与母体树突状分支的距离增加，分离度会降低。鉴于两种细胞类型的脊柱模型是相同的，这在很大程度上归因于轴向阻力的差异（在a-thorny细胞中更大），并且暗示到达a-thorny细胞突触的输入可能具有更高的区室划分。我们的结果与之前的几项研究一致，这些研究显示树突棘具有很高的电区室化（参见[49]的综述），尽管最近的影像学研究暗示区隔化程度要低得多[50，51]。因此，需要进一步的实验工作来评估脊柱头部区室化的真实测量，因为它具有潜在的重要功能后果[49，52]。

突触合作性

在体内，神经元不断受到具有不同时空模式的突触输入的轰击。了解突触输入如何相互作用以驱动非线性和动作电位输出的基础对于阐明神经元传递函数至关重要。为了更好地了解突触输入如何在两种主要的CA3细胞类型中相互作用以及保持数据驱动的方法，我们使用使用和不使用Na通道阻滞剂记录的体外EPSP统计数据来约束添加到神经元模型中的AMPA和NMDA突触。在这个实验场景中，我们研究了激活突触的数量和激活的时间模式所起的作用[29]，发现当Na通道的电导率设置为0时，模仿钠通道阻滞剂TTX的浴应用，两种细胞类型都显示出树突状和体细胞EPSP的超线性增加（见图5），这是 NMDAR 引入的强输入-输出非线性的直接结果。此外，当将钠电导设置为优化程序获得的值时，我们发现伴随的突触输入在无刺但不带刺的细胞的顶端树突上的激活导致树突高原导致体细胞爆发，如图6所示。尽管优化过程中使用的目标特征不包括任何树突刺激，但仍会出现这种情况。因此，这种行为“自然地”出现，并指出树突中的离子和突触电导与体导之间的相互作用，作为a-thorny细胞中爆裂的第二个来源，此外还在体流水平上观察到更成熟的慢速爆裂基础[24]。据我们所知，这是海马细胞类型的数据驱动的生物物理学详细神经元模型首次能够显示树突状平台爆发（但参见[53]，这是一个具有此功能的开创性手动调整模型）。++厦门杂志期刊论文发表=

相互信息和关联传输

CA3与其他海马体细胞区别开来的关键特征之一是其复发性连接（参见[54]的综述）。在旨在概括SWs期间在体外和体内观察到的自发性复发网络活动的最后一组模拟实验中，我们将波动电流注入模拟细胞的体质中，以模拟大量（不相关）突触前神经元的并发激活，同时提供与前面描述的相同的突触激活模式， 具有不同程度的时空相关性。引人注目的是，我们发现a-thorny细胞的放电模式比它们的多刺细胞具有更低的熵：反过来，这允许这种细胞类型在其峰值输出中编码有关其突触输入的更多信息，如图7中通过使用相互信息测量来量化。这表明，无刺细胞上的突触具有更高的信息功效[36]，从而使这种细胞类型能够作为“相关检测器”运行，使用高频AP突发来发出信号，以发出紧密聚集的突触前输入在其树突树上的到来。两种细胞类型之间的“噪声”相关性转移是否存在任何差异还有待验证（在计算机和体外），正如大鼠躯体感觉皮层中各种类型的神经元所显示的那样[55]。更高的信息传递能力可能对海马回路中无刺细胞所起的作用具有深远的功能意义，因为它至少可以部分解释这种细胞类型在SW早期阶段的优先参与[21]。值得指出的是，图7中报道的模拟实验是在模拟背景突触输入的固定水平上进行的：鉴于背景突触活动与大脑状态相关（在微电路和宏观电路水平上），需要进一步的工作来阐明不同程度的噪声对两种细胞类型能够通过高电导之间的相互作用转移的相互信息量的影响。状态[34]和随机共振[56]。

关联传输驱动的突发行为和 CA3 网络同步动态

系统内存整合涉及称为锐波纹波的网络振荡。这些LFP波动起源于海马体CA3区域中锥体细胞集合的同步，然后传播到CA1和其他海马外脑区域。此前，我们证明，暴发放电（特别是来自无刺CA3锥体神经元）与锐波同步的发生显着相关[21]。此外，我们在由突发和规则峰值细胞类型组成的峰值循环网络模型中证明了突发提供了网络可以同步的基本非线性。在这种动态系统背景下，我们假设存在于网络中持续自发活动的相关结构中的信息可以被a-thorny细胞选择性地放大以促进网络同步。在本研究中，我们研究了如何实现这种类型的非线性扩增，并提供了如何以细胞类型特定方式进行相关性转移的信息理论描述。在CA3循环网络同步动力学的背景下，我们的结果揭示了支持a-thorny细胞的复杂峰值输出的关键生物物理机制和突触输入模式，从而更深入地了解海马尖电波启动的机制。

材料和方法

道德声明

实验程序遵循Cedars-Sinai医疗中心机构动物护理和使用委员会批准的方法。

急性脑切片电生理学和形态重建

根据[21]，从雄性和雌性小鼠（出生后（P）23至P40）制备急性海马脑切片。简而言之，在用异氟醚麻醉动物后，将小鼠斩首并迅速取出大脑并放入由（以mM为单位）215蔗糖，2.5 KCl，20葡萄糖，26 NaHCO3，1.6 NaH2PO4，1 CaCl2，4 MgCl2和4 MgSO4组成的冷冻蔗糖切割溶液中。将整个海马从大脑中解剖出来，嵌入预先形成的琼脂块（4%琼脂）中，在徕卡VT 1200 s振动切片机上切成400μm厚的横向切片，然后转移到含有室温人工脑脊液（ACSF）的浸入室中，该室含有（mM）124 NaCl，2.5 KCl，10葡萄糖，26 NaHCO3，1.0 NaH2PO4， 2.0 CaCl2和1.0 MgCl2。在整个切片制备过程中，切削液和ACSF溶液均饱和了95%的O2和5%的CO2（pH 7.2-7.4）。在记录之前，将切片在ACSF中孵育至少1小时，然后根据需要转移到浸没式层流记录室中，以5mL / min浸润ACSF。使用标准膜片钳技术在红外微分干涉对比度（IR-DIC）光学条件下以电流钳形模式获得全细胞细胞内记录。用于所有记录的内部移液器溶液含有（以mM为单位）135葡萄糖酸钾，5 KCl，1 CaCl2，0.1 EGTA-Na，10 HEPES，10葡萄糖，5 MgATP，0.4 Na3GTP和0.5%生物细胞素，pH值为7.2和285-290 mOsm。为了最大限度地提高细胞健康，突触连接性，记录稳定性，并获得CA3锥体神经元的无偏采样，对切片表面以下100-150μm的细胞进行盲修补。记录移液器电阻范围为4-6 MΩ。在每次记录过程中，都会监控电桥平衡和电容补偿，并根据需要手动调整。输入电阻变化> 20% 的记录 （R在）被系统地排除在分析之外。静息电位范围为–79至–58 mV。解剖后最长记录时间为6小时。记录温度设置为32.0±0.1°C。 记录在5 kHz下进行贝塞尔滤波，在20 kHz下数字化，并使用IgorPro或pClamp11软件进行分析。在所有情况下，在磨合后5-10分钟内，将一系列500ms电流步长施加到每个电池，保持在–60±1 mV，以确定被记录电池的固有特性。细胞被分类为规则尖峰或内在爆发，由超阈值电流注入产生的初始尖峰频率为常规峰值或内在爆发，对于规则峰值细胞和流变碱基，对于内在爆裂细胞。除了初始放电频率之外，还有许多生理参数，R在和流变碱基与先前的测量结果一致[21]。神经元充满生物细胞素至少20分钟，然后在记录后用4%多聚甲醛固定切片至少12-24小时。然后在染色前在1×PBS溶液中洗涤固定的脑切片。使用载体PK4000和SK4100试剂盒进行生物细胞素染色（载体实验室，伯林盖姆，加利福尼亚州，美国）。使用配备100×（1.4数值孔径）物镜的蔡司Axioimager正置显微镜获得生物细胞素染色神经元的数字图像（z-stack;1-μm间隔）。然后将z-stack导入到ShuTu软件[57]中进行重建和分析。

来自CA3兴奋性神经元的单细胞RNA测序数据的转录组学分析

我们利用了来自艾伦脑科学研究所（2018 Allen Institute for Brain Science）海马体CA3区域的314个细胞的scRNAseq数据。细胞类型数据库：RNA-Seq数据。从 portal.brain-map.org/atlases-and-data/rnaseq）开始提供）。在PANTHER数据库[58]中搜索肌肉肌肉物种的关键字“离子通道”，产生了417个相关基因，其中400个被映射到我们数据集中的基因组。专注于这个离子通道相关基因列表，使用SCANPY Python包（v1.7.0）[59]进行单细胞基因表达分析，任何非默认参数如表1所示。使用scanpy.pp.normalize_total函数将原始计数规范化为每百万计数 （CPM） 后，使用 scanpy.pp.pca 函数运行主成分分析 （PCA） 可降低数据的维数。接下来，使用具有函数 scanpy.pp.neighbors 的数据的 PCA 表示形式计算像元的邻域图。使用均匀流形近似和投影（UMAP）[22]使用函数scanpy.tl.umap将图嵌入二维中。最后，使用莱顿图聚类方法通过函数scanpy.tl.leiden对邻域图进行聚类（图3C）。在这些主簇之间使用具有默认参数的R [60]中的DESeq2包进行差异基因表达分析。使用-log10（p值）截止值1e-7和log2（折叠变化）截止值1.4通过火山样地检查确定，提取差异表达最高的基因（S2图）。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

表 1. 用于分析的扫描参数。

https://doi.org/10.1371/journal.pcbi.1010071.t001

生物物理模型的优化

为了优化模型的参数，我们使用了BluePyOpt工具箱[17]，它依赖于DEAP Python库[61]。为了调整参数值，BluePyOpt实现了基于指标的进化算法（IBEA），该算法已被证明在此类问题上表现特别好[62]。简而言之，该算法包括通过进化一组解决方案（称为“个体”）来解决多目标优化问题，这些解决方案在不同程度上满足一组目标。与之前的神经元模型优化方法[16，25]类似，BluePyOpt采用从V中提取的优化特征作为目标。m记录在膜片钳实验中，而不是V的时间序列中m本身。本文提出的所有模型都是在优化过程中使用以下12个特征集获得的，这些特征是使用开源电生理特征提取库（eFEL，可在 https://github.com/BlueBrain/eFEL 上获得）从实验数据中提取的：静息Vm、AP 幅度、阈值、半角和下降和上升速率、尖峰间间隔 （ISI） 的变化系数 （CV）、500 ms 长刺激期间发出的尖峰数，与第一个 ISI 反比，Vm在超极化后（AHP），乘以列车中的第一个和最后一个AP。这些是[20]中采用的那些的略微修改的版本，但我们发现优化结果对于优化特征集的合理更改是稳健的。重要的是，我们对两种像元类型使用了相同的特征集，并让优化过程为参数选择适当的值。刺激方案包括去极化直流电流的三个步骤，其幅度被选择跨越测量实验f-I曲线的电流范围，因此对于两种电池类型是不同的。对于总体中的每个个体，BluePyOpt运行直流电流三个值的模型，提取特征值，并将个体的适应度值计算为每个特征与相应实验平均值的距离之和，以实验标准偏差为单位。在每个优化时期，选择并组合出最优秀的个人（就适应性而言）以创建下一代解决方案。模型中的自由参数数为24，由与模型中插入的每个离子通道相关的最大电导值（总共18个参数）加上（i）泄漏电流的反转电位（EL），（ii）轴向阻力（Ra），（iii）细胞内钙动力学的时间常数和（iv）决定细胞内游离钙可用性的参数[63]。The EL和Ra参数被优化为在轴突和细胞的其余部分具有不同的值。我们的模型中使用的有功电导集与[20]中描述的相同。此外，为了最大限度地减少我们的形态中存在的轴突重建中不同细节程度的影响，我们用由两个30μm长的隔室组成的刻板轴突代替了原始轴突，模拟了轴突初始段[17]。总体而言，我们总共使用了六种形态学（每种细胞类型三种），并且考虑到24维参数空间的广阔性和进化算法（如DEAP）的随机性质，我们对每种形态进行了多次优化运行。

模拟

使用其Python接口[65]和可变时间步长（CVODE）方法在NEURON [64]中运行模拟。固定参数为钠、钾、钙电流的反转电位（分别设定为50、-90和130 mV）、膜电容（设定为1 mF/cm）2）和模拟温度（与实验中一样设置为34°C）。[Ca] 的剩余值2+]我设置为 50 nM。优化是在运行 Scientific Linux 7.6 的 32 核或 48 核英特尔至强处理器集群上执行的，通常需要 3 到 24 小时才能完成，具体取决于形态的复杂性，即模型离散化的等势区间的总数，通常包括 150 个进化了 100 代的个体。厦门杂志期刊论文发表=

个性化选择和参数降维

使用进化算法的主要优点之一是，它提供了一系列称为个体的解决方案，这些解决方案在不同程度上匹配优化特征（即，它们位于帕累托边界上，构成了满足不同目标之间的最佳权衡[16]）。在每次优化运行之后，我们只选择那些每个特征的误差低于实验平均值6个单位的个体：这导致多刺细胞类型共有180个个体，a多刺细胞类型共有172个个体。为了可视化不同个体之间的相似性，我们使用 UMAP [22] 对 24 个参数执行了降维，使用 https://github.com/lmcinnes/umap 中提供的代码。在应用每个降维算法之前，使用scikit-learn的StandardScaler[66]将参数值转换为其z分数。

脊柱模型

在神经元中，刺被建模为连接到树突树的两个圆柱形隔室：第一个代表脊柱颈，长度和直径分别为1.58和0.077μm，而第二个的长度和直径均等于0.5μm（相当于直径为0.5μm的球体的外表面）[29].脊柱的轴向电阻率与它所连接的隔室的轴向电阻率相同，因此根据模拟的个体假设不同的值（范围从多刺细胞类型的约150 Ω?cm到a-thorny细胞类型的约340 Ω?cm）。仅在与树突振幅比和突触合作性计算相关的实验中加入棘刺。由于同时放置在树突树上的棘（最多9个，间隔5μm）的数量有限，因此没有对膜电容进行任何修改。在存在棘的实验中，钠通道在a-thorny细胞类型的顶端树突中的分布被修改为具有从体细胞值的100%到50%的指数衰减（为了不具有不连续性），长度常数为100μm。

树突输入电阻计算

树突 R在通过注入幅度为-50 pA的500 ms长超极化脉冲并测量V来计算m脉冲结束时的偏转。对于图4所示的实验，对模型的每个隔室进行，然后相对于树枝状分支上的区室距离或枝晶直径绘制。

振幅比计算

为了计算图4所示的振幅比，我们在脊柱头部注入EPSP形状的电流（建模为双指数函数，上升和衰减时间分别等于1和10 ms），并测量了脊柱和直接连接到它的树突中引发的EPSP（我们称之为EPSP脊柱和 EPSP树窝，分别）。因此，振幅比 AR 由下式给出

(1)

并构成脊柱在传入输入上提供的区隔程度的度量。在[29]之后，给定AR和R树窝，树突输入电阻，我们估计脊柱颈部的输入电阻为

(2)

在图5所示的突触合作性实验中，AR的计算与Eq 2相同，唯一的区别是脊柱EPSP是由突触前事件的激活而不是通过注入EPSP形状的电流引起的。我们在激活棘刺时观察到的AR值范围与注入EPSP形电流时获得的AR值范围相当。

突触模型

在突触合作和互信息实验中，棘刺含有AMPA和NMDA受体。AMPA和NMDA突触都被建模为双指数函数：前者的上升和衰减时间常数分别为0.1和1 ms[29]，而后者的上升和衰减时间常数等于1和50 ms，对于a-thorny细胞，上升和衰减时间常数等于1和50 ms， 对于a-thorny细胞具有1和100 ms。这样做是为了解释在无刺细胞类型中观察到的EPSP衰变时间更长（S3图）。对于NMDA突触，镁块的去除根据[67，68]通过将NMDA电导率乘以以下系数来建模：

(3)

其中 [镁]o是外部镁浓度（设定为1 mM）和Kd= 9.888 mM，sh = -7.778 mV，γ = 2.222 V-1是调节 V 的参数m依赖从突触间隙中去除镁。突触权重被选择为Vm仅模拟一次突触前事件时，脊柱头部的偏转约为20 mV，与之前的建模研究一致[29]。

电流景观的计算

使用[32]中提出的算法计算电流：简而言之，正（向外）或负（向内）离子电流被组织为矩阵中的行，每列代表一个时间瞬间。然后将总向外或向内电流（图6A和6B的中间和底部面板中填充的黑色区域）计算为矩阵中元素的行间和，而每个离子电流的贡献百分比是通过进一步将矩阵中的每一行除以相应的总电流并将该值乘以100来获得的。

相互信息的计算

一些工作已经研究了如何计算尖峰列车[36，69-72]和V之间的相互信息。m迹线 [73，74].。在这里，我们使用了与[36]相同的方法，该方法基于[37，75]中首次描述的上下文树加权（CTW）方法。简而言之，首先将尖峰训练转换为二进制字符串 x∈{0，1}n长度为 n，使用适当的箱体大小（在本例中为 4 毫秒），上下文树加权方法提供了对字符串 x 在所有可能的独立且相同分布 （i.i.d.） 的随机源上的概率估计值。因此，字符串 x 的熵的估计由下式给出

(4)

以位/符号为单位测量，如果符号速率已知，则以位/秒为单位。使用 CTW 方法的优点是，即使二进制字符串的长度相对较短（通常只有几百个 AP 就足够了），它也能提供可靠的二进制字符串概率估计值，而直接方法则需要不合理的长尖峰序列来提供良好的估计值。CTW 方法还可用于计算两个二进制序列 x 和 y 之间的相互信息 MI。要做到这一点，必须依靠众所周知的相互信息定义：

(5)

其中 H（x|y） 是序列 x 的熵，给定序列 y 是已知的。有关如何获得心肌梗死估计值的详细说明，请参见[36]的补充材料。

支持信息

图3中未显示的模型单元格的参数值分布的小提琴图，在每个参数的允许变异性范围内归一化（黑色和红色分别表示多刺和无刺单元格）。

显示 1/5： pcbi.1010071.s001.tif

跳到无花果导航

https://ndownloader.figstatic.com/files/34877401/preview/34877401/preview.jpg

1 / 5

下载

无花果

S1 图 图3中未显示的模型单元格的参数值分布的小提琴图，在每个参数的允许变异性范围内归一化（黑色和红色分别表示多刺和无刺单元格）。

虚线表示总体的中位数，而上虚线和下虚线表示分布的第25和第75百分位数（使用非参数Kolmogorov-Smirnov检验测试的显着差异：* p <0.05，** p <0.01，*** p <0.001）。

https://doi.org/10.1371/journal.pcbi.1010071.s001

（TIF）

S2 图 簇 1（假定的多刺细胞）中细胞与组 2 中的细胞（假定的 a-thorny 细胞）的基因表达水平的火山图。

每个标记代表一个基因：紫色标记表示基因表达明显不同的基因，高于折叠变化阈值水平。其中，标有青色点的基因是离子通道基因。

https://doi.org/10.1371/journal.pcbi.1010071.s002

（TIF）

S3 图 左图：在Na通道阻滞剂TTX的浴浴期间记录的自发EPSP的振幅，上升时间常数和衰减时间常数的分布的小提琴图（单向Welch ANOVA与一步式Bonferroni校正进行多重比较：* p <0.05，*** p <0.001）。

右图：用于提取 EPSP 参数的电压迹线（粉红色和灰色迹线是单独的 EPSP，而黑色和红色迹线分别是多刺和无刺细胞的平均值）。

https://doi.org/10.1371/journal.pcbi.1010071.s003

（TIF）

S1 表。 在体外测量多刺和无刺细胞的电生理特性。

https://doi.org/10.1371/journal.pcbi.1010071.s004

（文档）

S2 表。 如图3和S1所示的参数名称，具有相应的通道描述，细胞形态上的位置以及优化期间允许的变异边界。

https://doi.org/10.1371/journal.pcbi.1010071.s005

（文档）

引用

1.Lisman J. Bursts作为神经信息的一个单位：使不可靠的突触变得可靠。趋势神经科学。1997;20: 38–43.下午：9004418

查看文章PubMed/NCBI谷歌学术搜索

2.Izhikevich EM， Desai NS， Walcott EC， Hoppensteadt FC.作为神经信息单元的突发：通过共振进行选择性通信。趋势神经科学。2003;26: 161–167.pmid：12591219

查看文章PubMed/NCBI谷歌学术搜索

3.Zeldenrust F，Wadman WJ，Englitz B.具有突发的神经编码 - 当前状态和未来前景。前部计算机神经科学。2018;12.pmid：30034330

查看文章PubMed/NCBI谷歌学术搜索

4.Harnett MT，Bernier BE，Ahn K-C，Morikawa H.中脑多巴胺神经元中NMDA受体介导的传递的突发时间依赖性可塑性。神经元。2009;62: 826–838.pmid：19555651

查看文章PubMed/NCBI谷歌学术搜索

5.亨特DL，普恩特N，格兰德斯P，卡斯蒂略PE。双向NMDA受体可塑性控制CA3输出和异突触化生性。Nat Neurosci.2013;16: 1049–1059.pmid：23852115

查看文章PubMed/NCBI谷歌学术搜索

6.高桥H，马吉JC。CA1锥体神经元树突状簇区域的通路相互作用和突触可塑性。神经元。2009;62: 102–111.下午：19376070

查看文章PubMed/NCBI谷歌学术搜索

7.Bittner KC， Milstein AD， Grienberger C， Romani S， Magee JC.行为时间尺度突触可塑性是CA1放置场的基础。科学。2017;357: 1033–1036.pmid：28883072

查看文章PubMed/NCBI谷歌学术搜索

8.Bittner KC， Grienberger C， Vaidya SP， Milstein AD， Macklin JJ， Suh J， et al.结合输入处理驱动海马CA1神经元的特征选择性。Nat Neurosci.2015;18: 1133–1142.下午：26167906

查看文章PubMed/NCBI谷歌学术搜索

9.Zhao X，Hsu C-L，Spruston N.快速突触可塑性有助于海马体中位置和选择相关信息的学习结合代码。神经元。2022;110: 96–108.下午：34678146

查看文章PubMed/NCBI谷歌学术搜索

10.赵旭， 王毅， 斯普鲁斯顿 N， 马吉JC.海马体中上下文依赖性感觉反应的潜在膜电位动力学。Nat Neurosci.2020;23: 881–891.pmid：32451487

查看文章PubMed/NCBI谷歌学术搜索

11.德舒特E，鲍尔JM。小脑浦肯野细胞的活性膜模型。I. 模拟切片中的电流钳位。J 神经生理学。1994;71: 375–400.pmid：7512629

查看文章PubMed/NCBI谷歌学术搜索

12.Lazarewicz MT， Migliore M， Ascoli GA.CA3锥体细胞生理学的新爆裂模型表明，尖峰起始有多个位置。生物系统。2002;67: 129–137.pmid：12459292

查看文章PubMed/NCBI谷歌学术搜索

13.Mainen ZF， Sejnowski TJ.树突结构对模型新皮质神经元放电模式的影响。自然界。1996;382: 363–366.pmid：8684467

查看文章PubMed/NCBI谷歌学术搜索

14.Migliore M，Cook EP，Jaffe DB，Turner DA，Johnston D.形态学重建的CA3海马神经元的计算机模拟。J 神经生理学。1995;73: 1157–68.pmid：7608762

查看文章PubMed/NCBI谷歌学术搜索

15.特劳布RD，黄RK，迈尔斯R，迈克尔逊H。CA3海马锥体神经元的模型，其中包含有关内在电导的电压钳位数据。J 神经生理学。1991;66: 635–650.pmid：1663538

查看文章PubMed/NCBI谷歌学术搜索

16.德鲁克曼 S， 巴尼特 Y， 吉登 A， 舒尔曼 F， 马克莱姆 H， 塞格夫一世.一种通过实验数据约束基于电导的神经元模型的多目标优化框架。前神经科学。2007;1: 7–18.pmid：18982116

查看文章PubMed/NCBI谷歌学术搜索

17.Van Geit W， Gevaert M， Chindemi G， Rossert C， Courcol JD， Muller EB， et al. BluePyOpt： 利用开源软件和云基础设施来优化神经科学中的模型参数。前神经信息。2016;10.pmid：27375471

查看文章PubMed/NCBI谷歌学术搜索

18.Gouwens NW， Berg J， Feng D， Sorensen SA， Zeng H， Hawrylycz MJ， et al.系统生成不同皮质神经元类型的生物物理详细模型。纳特公社。2018;9: 710.pmid：29459718

查看文章PubMed/NCBI谷歌学术搜索

19.Hay E，Hill S，Schürmann F，Markram H，Segev I.新皮质层5b锥体细胞模型捕获广泛的树突状和周围活性特性。PLoS Comput Biol. 2011;7： e1002107.下午：21829333

查看文章PubMed/NCBI谷歌学术搜索

20.Migliore R， Lupascu CA， Bologna LL， Romani A， Courcol JD， Antonel S， et al.使用统一的数据驱动建模工作流程探索了海马CA1锥体细胞和中间神经元中通道密度的生理变异性。PLoS Comput Biol. 2018;14： e1006423.pmid：30222740

查看文章PubMed/NCBI谷歌学术搜索

21.Hunt DL， Linaro D， Si B， Romani S， Spruston N.一种新型的锥体细胞类型促进海马体中的锐波同步。Nat Neurosci.2018;21: 985–995.pmid：29915194

查看文章PubMed/NCBI谷歌学术搜索

22.Becht E， McInnes L， Healy J， Dutertre CA， Kwok IWH， Ng LG， et al.降维，用于使用 UMAP 可视化单单元格数据。纳特生物技术。2019;37: 38–44.pmid：30531897

查看文章PubMed/NCBI谷歌学术搜索

23.Hemond P， Epstein D， Boley A， Migliore M， Ascoli GA， Jaffe DB.不同类别的锥体细胞在海马区CA3b中表现出相互排斥的放电模式。海马体。2008;18: 411–24.pmid：18189311

查看文章PubMed/NCBI谷歌学术搜索

24.Golomb D，Yue C，Yaari Y.持续Na +电流和M型K +电流对CA1锥体细胞体细胞爆裂的贡献：联合实验和建模研究。J 神经生理学。2006;96: 1912–26.pmid：16807352

查看文章PubMed/NCBI谷歌学术搜索

25.Druckmann S， Berger TK， Hill S， Schurmann F， Markram H， Segev I. 通过实验和替代数据评估神经元模型的自动参数约束程序。生物控制论。2008;99: 371–9.pmid：19011925

查看文章PubMed/NCBI谷歌学术搜索

26.姚哲， 范维尔特霍芬CTJ， 阮 TN， 戈尔迪 J， 塞德诺-科尔特斯 AE， 巴夫蒂扎德 F， 等.横跨等皮层和海马形成的转录组细胞类型的分类学。细胞。2021;184： 3222–3241.e26.pmid：34004146

查看文章PubMed/NCBI谷歌学术搜索

27.Traag VA， Waltman L， van Eck NJ.从鲁汶到莱顿：保证社区交通便利。科学代表2019;9：5233。pmid：30914743

查看文章PubMed/NCBI谷歌学术搜索厦门杂志期刊论文发表=

28.Sherwood WE，Guckenheimer J.剖析模型爆裂神经元的相位响应。SIAM J Appl Dyn Syst. 2010;9： 659–703.

查看文章谷歌学术搜索

29.Harnett MT， Makara JK， Spruston N， Kath WL， Magee JC.树突棘突触扩增增强了输入合作性。自然界。2012;491: 599–602.pmid：23103868

查看文章PubMed/NCBI谷歌学术搜索

30.Makara JK， Magee JC.海马CA3锥体神经元中的可变树突整合。神经元。2013;80: 1438–1450.pmid：24360546

查看文章PubMed/NCBI谷歌学术搜索

31.Raus Balind S， Magó á， Ahmadi M， Kis N， Varga-Németh Z， L?rincz A， et al.海马CA3锥体细胞中复杂尖峰突起产生的各种突触和树突机制。纳特公社。2019;10: 1859.pmid：31015414

查看文章PubMed/NCBI谷歌学术搜索

32.Alonso LM，Marder E.具有相似行为和不同电导密度的神经模型中电流的可视化。电子生活。2019;8： e42722.pmid：30702427

查看文章PubMed/NCBI谷歌学术搜索

33.Uhlenbeck GE， Ornstein LS.关于布朗运动的理论。物理修订版 1930;36： 823.

查看文章谷歌学术搜索

34.Destexhe A， Rudolph M， Paré D.体内新皮质神经元的高电导状态。Nat Rev Neurosci.2003;4: 739–751.pmid：12951566

查看文章PubMed/NCBI谷歌学术搜索

35.Fellous J-M， Rudolph M， Destexhe A， Sejnowski TJ.突触背景噪声控制体内活性体外模型中单个细胞的输入/输出特性。神经。2003;122: 811–829.pmid：14622924

查看文章PubMed/NCBI谷歌学术搜索

36.伦敦M，施莱布曼A，豪塞尔M，拉库姆ME，塞格夫一世。突触的信息功效。Nat Neurosci.2002;5: 332–40.pmid：11896396

查看文章PubMed/NCBI谷歌学术搜索

37.Willems FMJ， Shtarkov YM， Tjalkens TJ.上下文树加权方法 - 基本属性。IEEE Trans Inf Theory.1995;41: 653–664.

查看文章谷歌学术搜索

38.Cembrowski MS，Spruston N.经典细胞类型内的异质性是规则：海马锥体神经元的教训。Nat Rev Neurosci.2019;20: 193–204.下午：30778192

查看文章PubMed/NCBI谷歌学术搜索

39.Klausberger T，Somogyi P.神经元多样性和时间动力学：海马电路操作的统一性。科学。2008;321: 53–57.pmid：18599766

查看文章PubMed/NCBI谷歌学术搜索

40.Buzsáki G. Rhythms of the Brain.牛津大学出版社;2006. https://doi.org/10.1093/acprof:oso/9780195301069.001.0001

41.Eichenbaum H. Hippocampus.神经元。2004;44: 109–120.pmid：15450164

查看文章PubMed/NCBI谷歌学术搜索

42.Buzsáki G. Hippocampal Sharp wave-ripple：一种用于情节记忆和计划的认知生物标志物。海马体。2015;25: 1073–1188.pmid：26135716

查看文章PubMed/NCBI谷歌学术搜索

43.Csicsvari J，Hirase H，Mamiya A，Buzsáki G.夏普波相关种群事件期间海马CA3-CA1神经元的集合模式。神经元。2000;28: 585–594.pmid：11144366

查看文章PubMed/NCBI谷歌学术搜索

44.Wittner L，Miles R.定义海马体同步起搏器区域的因素：海马同步中的CA3a与CA3b。生理学杂志. 2007;584： 867–883.pmid：17823211

查看文章PubMed/NCBI谷歌学术搜索

45.Iavarone E， Yi J， Shi Y， Zandt B-J， O'Reilly C， Van Geit W， et al.丘脑皮质神经元中强直和爆发放电模式的实验约束生物物理模型。利顿WW，编辑。PLOS Comput Biol. 2019;15： e1006753.pmid：31095552

查看文章PubMed/NCBI谷歌学术搜索

46.南迪A， Chartrand T， Geit WV， Buchin A， Yao Z， Lee SY， et al.将电生理学、形态学和转录组学与皮质细胞类型联系起来的单神经元模型。神经科学;2020年4月

查看文章谷歌学术搜索

47.Roussel C，Erneux T，Schiffmann SN，Gall D.通过细胞内钙缓冲调节神经元兴奋性：从峰值到爆裂。细胞钙。2006;39: 455–66.pmid：16530827

查看文章PubMed/NCBI谷歌学术搜索

48.Bezaire MJ，Raikov I，Burk K，Vyas D，Soltesz I.啮齿动物CA1回路全尺寸模型中海马θ振荡的神经元间机制。电子生活。2016;5： e18566.pmid：28009257

查看文章PubMed/NCBI谷歌学术搜索

49.Yuste R. 树突棘中的电气区室化。Annu Rev Neurosci.2013;36: 429–449.pmid：23724997

查看文章PubMed/NCBI谷歌学术搜索

50.Popovic MA，Carnevale N，Rozsa B，Zecevic D.通过电压成像揭示的树突棘的电行为。纳特公社。2015;6: 8436.下午：26436431

查看文章PubMed/NCBI谷歌学术搜索

51.T?nnesen J， Katona G， Rózsa B， N?gerl UV.脊柱颈部可塑性调节突触的区室化。Nat Neurosci.2014;17: 678–685.下午：24657968

查看文章PubMed/NCBI谷歌学术搜索

52.Araya R，Vogels TP，Yuste R.活性依赖性树突状脊柱颈部变化与突触强度相关。Proc Natl Acad Sci. 2014;111: E2895–E2904.下午：24982196

查看文章PubMed/NCBI谷歌学术搜索

53.特劳布RD，杰弗里斯JG，迈尔斯R，惠廷顿马萨诸塞州，托思K.啮齿动物CA3锥体神经元的分支树突模型。生理学杂志. 1994;481： 79–95.pmid：7853251

查看文章PubMed/NCBI谷歌学术搜索

54.Le Duigou C，Simonnet J，Tele?czuk MT，Fricker D，Miles R.海马体CA3区域的复发性突触和回路：结合网络。前细胞神经科学。2014;7.下午：24409118

查看文章PubMed/NCBI谷歌学术搜索

55.Linaro D， Ocker GK， Doiron B， Giugliano M. 在体外重建突触输入下通过第5层皮质神经元的相关性转移。J 神经科学.2019;39: 7648–7663.pmid：31346031

查看文章PubMed/NCBI谷歌学术搜索

56.Mitaim S， Kosko B. 基于互信息的噪声神经元自适应随机共振.IEEE Trans Neural Netw.2004;15: 1526–1540.pmid：15565779

查看文章PubMed/NCBI谷歌学术搜索

57.Jin DZ， Zhao T， Hunt DL， Tillage RP， Hsu C-L， Spruston N. ShuTu： 用于高效、准确地重建树突形态的开源软件。前神经信息学。2019;13: 68.pmid：31736735

查看文章PubMed/NCBI谷歌学术搜索

58.Mi H， Ebert D， Muruganujan A， Mills C， Albou L-P， Mushayamaha T， et al. PANTHER 版本 16：修订后的家族分类、基于树的分类工具、增强子区域和广泛的 API。核酸研究 2021;49： D394–D403.pmid：33290554

查看文章PubMed/NCBI谷歌学术搜索

59.Wolf FA， Angerer P， Theis FJ.SCANPY：大规模单细胞基因表达数据分析。基因组生物学. 2018;19： 15.pmid：29409532

查看文章PubMed/NCBI谷歌学术搜索

60.Love MI，Huber W，Anders S.使用DESeq2对RNA-seq数据的褶皱变化和色散进行适度估计。基因组生物学. 2014;15： 550.下午：25516281

查看文章PubMed/NCBI谷歌学术搜索

61.Fortin FA， De Rainville FM， Gardner MA， Parizeau M， Gagne C. DEAP： Evolutionary Algorithms Made Easy.J Mach Learn Res. 2012;13： 2171–2175.

查看文章谷歌学术搜索

62.Markram H， Muller E， Ramaswamy S， Reimann MW， Abdellah M， Sanchez CA， et al.新皮质微电路的重建与仿真.细胞。2015;163: 456–492.pmid：26451489

查看文章PubMed/NCBI谷歌学术搜索

63.Destexhe A， Mainen ZF， Sejnowski TJ.使用共同动力学形式主义合成可兴奋膜，突触传递和神经调节的模型。J Comput Neurosci.1994;1: 195–230.pmid：8792231

查看文章PubMed/NCBI谷歌学术搜索

64.狂欢节NT，海因斯ML。神经元书。剑桥大学出版社;2006.

65.Hines ML，Davison AP，Muller E. Neuron和Python。前神经信息。2009;3: 1.pmid：19198661

查看文章PubMed/NCBI谷歌学术搜索厦门杂志期刊论文发表=

66.Pedregosa F， Varoquaux G， Gramfort A， Michel V， Thirion B， Grisel O， et al. Scikit-learn： Machine Learning in Python.J Mach Learn Res. 2011;12： 2825–2830.

查看文章谷歌学术搜索

67.Jahr CE， Stevens CF. 由单通道动力学预测的 NMDA 激活的宏观电导的电压依赖性。J 神经科学.1990;10: 3178–82.pmid：1697902

查看文章PubMed/NCBI谷歌学术搜索

68.Jahr CE，Stevens CF.NMDA受体通道动力学行为的定量描述。J 神经科学.1990;10: 1830–7.下午：1693952

查看文章PubMed/NCBI谷歌学术搜索

69.Dorval AD. 尖峰间间隔对数的概率分布从小型数据集中得出准确的熵估计值。J 神经科学方法。2008;173: 129–139.pmid：18620755

查看文章PubMed/NCBI谷歌学术搜索

70.霍顿C.计算两列尖峰列车之间的相互信息。神经计算。2019;31: 330–343.pmid：30576614

查看文章PubMed/NCBI谷歌学术搜索

71.Houghton C. 计算尖峰列车和其他数据之间的相互信息，这些数据有距离，但没有坐标。R Soc Open Sci. 2015;2.ARTN 140391 pmid：26064650

查看文章PubMed/NCBI谷歌学术搜索

72.Paninski L. 熵和互信息的估计。神经计算。2003;15: 1191–1253.

查看文章谷歌学术搜索

73.Fuhrmann G，Segev I，Markram H，Tsodyks M.通过活动依赖性突触编码时间信息。J 神经生理学。2002;87: 140–148.pmid：11784736

查看文章PubMed/NCBI谷歌学术搜索

74.Testa-Silva G， Verhoog MB， Linaro D， de Kock CP， Baayen JC， Meredith RM， et al.人类新皮层中的高带宽突触通信和频率跟踪。PLoS Biol. 2014;12： e1002007.pmid：25422947

查看文章PubMed/NCBI谷歌学术搜索

75.威廉姆斯 FMJ.上下文树加权方法：扩展。IEEE Trans Inf Theory.1998;44: 792–798.

查看文章谷歌学术搜索