NEURONpyxl：支持复杂可塑性突触的快速灵活Python集成生物物理神经网络仿真工具

摘要：NEURON作为基于经验数据的仿真工具，在多房室电导型神经元建模领域应用广泛。加州海兔（Aplysia californica）的摄食网络作为中枢模式发生器（central pattern generator, CPG）的经典模型已被深入研究，在可构建精细生物物理模型的海兔摄食系统中，明确网络参数值与动物行为效应的关联具有重要科学价值。本研究旨在开发名为NEURONpyxl的新型Python工具，该工具可通过读取电子表格中的参数自动构建完整神经网络，降低NEURON仿真环境下包含短时突触可塑性（如压抑、易化）的复杂模型构建难度。研究人员采用已充分验证的网络开展测试仿真，将NEURONpyxl仿真结果与另一神经仿真器SNNAP（Simulator for Neural Networks and Action Potentials，此前已用于模拟含复杂突触连接与多类型突触可塑性的电导型网络）的相同网络结果进行比对；随后利用NEURONpyxl对已发表的海兔摄食行为网络模型开展参数网格搜索以优化电导值。结果显示，NEURONpyxl与SNNAP的测试网络仿真结果数值等效，差异处于数值积分与实现细节的预期误差范围内；研究人员进一步定位到可使模拟运动模式的伸出与收回时程匹配不同机械负载下生物摄食行为的参数值。结论表明，NEURONpyxl可简化含不同突触可塑性的复杂神经网络构建与仿真流程，助力筛选生理相关参数值，未来可支持网络模型集合构建及生物力学与复杂电导型网络的融合研究。

《Frontiers in Computational Neuroscience》发表的这项研究针对经典神经仿真工具迭代停滞、与现代计算生态兼容性不足的问题，开发了新型Python工具NEURONpyxl，实现了生物物理神经网络的高效构建与参数优化，为计算神经科学提供了更灵活的仿真平台。

研究背景方面，中枢模式发生器（CPG）是调控呼吸、心跳、运动等节律行为的核心神经回路，其参数与行为表型的定量关联解析是计算神经科学的关键难点。加州海兔（Aplysia californica）的摄食网络因神经元电生理可及性高、行为范式清晰，成为CPG研究的理想模型，其摄食行为由颊部运动程序（buccal motor program, BMP）调控，包含伸出（protraction）与收回（retraction）两个特征时相，且可随机械负载动态调整时程。既往该系统的电导型模型多基于SNNAP（Simulator for Neural Networks and Action Potentials）构建，但该工具已停止维护，难以兼容现代机器学习工作流，亟需适配Python生态的新仿真方案。NEURON作为主流生物物理仿真工具，虽支持多房室建模与Python接口，但复杂网络的参数配置仍依赖大量代码编写，门槛较高。因此研究人员开发了参数驱动的轻量化工具NEURONpyxl，旨在衔接电子表格参数定义与NEURON的数值求解能力。

关键技术方法上，研究人员首先复用已发表的SNNAP模型参数模板，构建了NEURONpyxl的核心微分方程求解模块，支持点神经元（无形态学）的电导型建模，涵盖电压依赖性离子通道、电突触、化学突触及第二信使调控机制；其次采用分层验证策略，从单漏积分神经元到三神经元突触可塑性网络逐层比对NEURONpyxl与SNNAP的仿真结果，辅以解析解验证数值精度；最后基于Case Western Reserve University的Pioneer高性能计算集群，开展3600组参数的网格搜索，优化海兔摄食CPG模型中伸出与收回时相的时长，匹配已发表的在体实验数据。

研究结果部分，各小节结论如下：

3.1 开发与验证NEURONpyxl：工具成功复现SNNAP的单神经元、简单回路及完整摄食CPG模型的动力学特征，二者膜电位轨迹重叠度极高，仅因数值积分方法差异产生微小偏差，验证了核心方程实现的等价性。

3.2 漏积分神经元模型：恒定电流刺激下的膜电位变化与解析解高度吻合，Crank-Nicholson积分法的均方根误差低于SNNAP采用的Forward Euler法，自适应CVODE求解器可在保证精度的前提下将计算效率提升2–4倍。

3.3 放电神经元模型：包含电压依赖性钙通道、钙池调控钾通道（K_Ca）的B4神经元，其放电频率适应、胞内钙浓度动态在两类仿真器中完全一致，动作电位波形无显著差异。

3.4 电突触：双神经元电耦合回路中，突触前神经元的电压偏转可同步引发突触后反应，两平台的突触电流与膜电位轨迹完全重合。

3.5 化学突触：包含易化、压抑及电压依赖性的三神经元网络中，突触后电位时程、可塑性动态与SNNAP结果一致，验证了突触事件触发与第二信使调控的正确实现。

3.6 噪声实现：采用独立泊松过程驱动的平衡兴奋-抑制突触替代SNNAP的电导随机调制，膜电位分布的均值偏移小于0.2 μV，与原有噪声模型特性等效。

3.7 中枢模式发生回路仿真：完整14神经元摄食CPG的BMP时序、相位切换特征与SNNAP结果高度相似，仅个别神经元的 spike 计数存在2–3次的微小差异，归因于高阶积分器的精度优势；NEURONpyxl的仿真速度较SNNAP提升约53%，单轮40秒模拟仅需100秒。

3.8 参数搜索：锁定两个关键参数——B64s慢钾电导（ḡ_{KPP, B64s}）与B30→B63快突触电导（ḡ_{B30→B63, fast}），通过网格搜索获得匹配加载与未加载机械负载下实验时程的最优参数组合，优化后的模型在200 Hz高噪声下仍可稳定输出符合实验观测的BMP时相。

讨论与结论部分，研究人员指出数值积分方法的差异是导致两平台微小输出偏差的主因，NEURON的自适应CVODE求解器更能反映非线性网络的真实动力学。参数搜索结果表明，单一条件的行为匹配需协同调整多个电导参数，提示神经调质可能通过多靶点调控实现行为适应，未来可通过构建参数集合进一步解析模型的简并性。该研究提出的NEURONpyxl填补了参数驱动型生物物理建模工具的空白，相较于NetPyNE、Brian2等现有框架，其无需编程基础即可通过电子表格快速迭代模型，同时原生兼容Python生态的机器学习工具链，为CPG机制解析、神经-机械耦合建模提供了高效的工作流，也为感官反馈通路的逆向推断提供了可行的技术路径。