Сложности моделирования нервной системы: ограничения современных математических и вычислительных подходов
Ключевые слова:
математические модели, вычислительные модели, нейронная сложность, нервная система, симуляцииАннотация
В данной работе представлен анализ ограничений современных математических и вычислительных подходов к моделированию нервной системы. Несмотря на то что эти методы позволяют получать значимые данные и служат основой для количественного описания нейрофизиологических процессов, они часто оказываются неспособными адекватно воспроизвести сложность структурно-функциональной организации нервной системы. Упрощение нейронной динамики и взаимодействий, необходимое для реализации вычислительных алгоритмов, накладывает ограничения на точность моделей, их предсказательную способность и способность к масштабируемости. Кроме того, использование сложных математических моделей сопряжено с высокими вычислительными затратами, что препятствует их применению в реальном времени или для обработки больших объёмов данных. В статье подробно рассматриваются основные вызовы, связанные с повышением достоверности и биологической обоснованности моделей, а также обсуждаются перспективные направления развития вычислительных подходов, направленных на интеграцию более реалистичных характеристик нервной системы в контексте современных исследований.
Библиографические ссылки
1. Hall J.E., Hall M.E. Guyton and Hall textbook of medical physiology: 14th edition. Elsevier Health Sciences, 2020.
2. Fang X., Duan S., Wang L. Memristive Hodgkin-Huxley spiking neuron model for reproducing neuron behaviors. Frontiers in Neuroscience, 2021, vol. 15, art. 730566. DOI: https://doi.org/10.3389/fnins.2021.730566
3. Zhen B., Song Z. The study for synchronization between two coupled FitzHugh – Nagumo neurons based on the laplace transform and the adomian decomposition method. Neural Plasticity, 2021, vol. 2021, no. 1, art. 6657835. DOI: https://doi.org/10.1155/2021/6657835
4. Gonçalves P.J., Lueckmann J.-M., Deistler M., Nonnenmacher M., Öcal K., Bassetto G., Chintaluri C., Podlaski W.F., Haddad S.A., Vogels T.P., Greenberg D.S., Macke J.H. Training deep neural density estimators to identify mechanistic models of neural dynamics. Elife, 2020, vol. 9, art. e56261. DOI: https://doi.org/10.7554/eLife.56261
5. Fu E. Dynamics of the FitzHugh – Nagumo equation with numerical methods. Theoretical and Natural Science, 2023, vol. 10, pp. 179–185. DOI: https://doi.org/10.54254/2753-8818/10/20230339
6. Schmidpeter P.A.M., Nimigean C.M. Correlating ion channel structure and function. Methods in Enzymology, 2021, vol. 652, pp. 3–30. DOI: https://doi.org/10.1016/bs.mie.2021.02.016
7. Keener J.P. Invariant manifold reductions for Markovian ion channel dynamics. Journal of Mathematical Biology, 2009, vol. 58, pp. 447–457. DOI: https://doi.org/10.1007/s00285-008-0199-6
8. Bartolo R., Averbeck B.B. Prefrontal cortex predicts state switches during reversal learning. Neuron, 2020, vol. 106, no. 6, pp. 1044–1054. DOI: https://doi.org/10.1016/j.neuron.2020.03.024
9. Petousakis K.E., Apostolopoulou A.A., Poirazi P. The impact of Hodgkin – Huxley models on dendritic research. The Journal of Physiology, 2023, vol. 601, no. 15, pp. 3091–3102. DOI: https://doi.org/10.1113/jp282756
10. Marasco A., Spera E., De Falco V., Iuorio A., Lupascu C. A., Solinas S., Migliore M. An adaptive generalized leaky integrate-and-fire model for hippocampal CA1 pyramidal neurons and interneurons. Bulletin of Mathematical Biology, 2023, vol. 85, art. 109. DOI: https://doi.org/10.1007/s11538-023-01206-8
11. Fang X., Duan S., Wang L. Memristive izhikevich spiking neuron model and its application in oscillatory associative memory. Frontiers in Neuroscience, 2022, vol. 16, art. 885322. DOI: https://doi.org/10.3389/fnins.2022.885322
12. Uda K. Ergodicity and spike rate for stochastic FitzHugh – Nagumo neural model with periodic forcing. Chaos, Solitons & Fractals, 2019, vol. 123, pp. 383–399. DOI: https://doi.org/10.1016/j.chaos.2019.04.014
13. Yamakou M.E., Tran T.D., Duc L.H., Jost J. The stochastic Fitzhugh – Nagumo neuron model in the excitable regime embeds a leaky integrate-and-fire model. Journal of Mathematical Biology, 2019, vol. 79, pp. 509–532. DOI: https://doi.org/10.1007/s00285-019-01366-z
14. Che Y.Q., Wang J., Wei X.L., Deng B., Dong F., Li H.Y. Bifurcations in Morris – Lecar model exposed to DC electric field. 31st Annual international conference of the IEEE engineering in medicine and biology society: engineering the future of biomedicine, EMBC, 2009, pp. 3433–3436. DOI: https://doi.org/10.1109/IEMBS.2009.5332510
15. Kameneva T., Abramian M., Zarelli D., Nĕsić D., Burkitt A.N., Meffin H., Grayden D.B. Spike history neural response model. Journal of Computational Neuroscience, 2015, vol. 38, pp. 463–481. DOI: https://doi.org/10.1007/s10827-015-0549-5
16. Saponati M., Vinck M. Sequence anticipation and spike-timing-dependent plasticity emerge from a predictive learning rule. Nature Communications, 2023, vol. 14, no. 1, art. 4985. DOI: https://doi.org/10.1038/s41467-023-40651-w
17. Uddin L.Q. Bring the noise: reconceptualizing spontaneous neural activity. Trends in Cognitive Sciences, 2020, vol. 24, no. 9, pp. 734–746. DOI: https://doi.org/10.1016/j.tics.2020.06.003
18. Carnevale N.T., Hines M.L. The NEURON book. Cambridge University Press, 2006, 457 p. DOI: https://doi.org/10.1017/CBO9780511541612
19. Щеглов Б.О. Разработка алгоритма математического моделирования активности флуоресцентного сигнала на примере кальциевой проводимости нейронов в культуре // Инновации и технологии в биомедицине: сборник материалов, Владивосток, 10–13 июня 2019 года. Владивосток: Дальневосточный федеральный университет, 2019. С. 87–91.
20. Щеглов Б.О., Щеглова С.Н. Российская Федерация. Программа для математического моделирования динамических процессов, происходящих в биологических системах: № 2020617496. заявл. 21.07.2020: опубл. 30.07.2020 / свидетельство о государственной регистрации программы для ЭВМ № 2020618525; заявитель ДВФУ.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Юсиф Ардан Абдулкареем, Богдан Олегович Щеглов, Галина Витальевна Рева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
