神经系统仿真

逆向工程研究范式

连接组学研究的根本目的是对推动人类对神经系统的认识，尽管连接组学技术能够帮助研究人员在极高分辨率下解析神经系统的结构，但是这仍然不足以解释神经系统工作机制，必须与其它形式的研究技术相结合才有可能完成对神经系统的全方位认知，而神经系统仿真则是目前整合各种模态神经科学数据的最佳方式1。因此出现了一种新兴的连接组学数据应用方式，不同于上面两种方式中对连接组学数据进行直接分析，研究人员将连接组学数据作为神经系统仿真的原始数据2，通过建模仿真的手段对数据展开进行更加深入的理解。对于单个神经元的高精度仿真，连接组学数据能够提供神经元的高精度物理形态以及突触结构在神经元上的准确坐标；对于大规模神经环路仿真，连接组学数据能够提供环路中神经元的空间分布规律，神经元之间的突触连接规律，以及神经环路中motif的统计信息。尽管将连接组学数据用于神经系统精细仿真能够进一步上发挥数据的价值，但是如此高精度的仿真对计算资源提出了极高的需求，权衡仿真精度与计算能力是在实际研究中需要重点考虑的因素。目前领域内已经有许多工具可以用于神经系统的精细仿真，例如NEURON34、Arbor5等。

  1. Xue Fan and Henry Markram. A brief history of simulation neuroscience. Frontiers in neuroinformatics, 13:32, 2019. ↩

  2. Jonathan Gornet and Louis K Scheffer. Simulating extracted connectomes. bioRxiv, pages 177113, 2017. ↩

  3. Michael L Hines and Nicholas T Carnevale. The neuron simulation environment. Neural computation, 9(6):1179–1209, 1997. ↩

  4. Michael L Hines and Nicholas T Carnevale. Neuron: a tool for neuroscientists. The neuroscientist, 7(2):123–135, 2001. ↩

  5. Nora Abi Akar, Ben Cumming, Vasileios Karakasis, Anne Küsters, Wouter Klijn, Alexander Peyser, and Stuart Yates. Arbor—a morphologically-detailed neural network simulation library for contemporary high-performance computing architectures. In 2019 27th euromicro international conference on parallel, distributed and network-based processing (PDP), 274–282. IEEE, 2019. ↩