| name | biophysical-hh-model-neurostimulation |
| description | Learning biophysical Hodgkin-Huxley models from extracellular MEA data for precise neurostimulation prediction |
| tags | ["hodgkin-huxley","neurostimulation","multi-electrode-array","differentiable-simulation","icml-2026"] |
| paper | arXiv:2607.04063 |
| date | 2026-07-08T00:00:00.000Z |
Learning Biophysical Models of Large-Scale Multineuronal Data to Enable Precise Neurostimulation
核心方法论
研究问题:如何从细胞外多电极阵列 (MEA) 数据快速推断 Hodgkin-Huxley (HH) 生物物理参数,以预测神经对电刺激的响应?
核心创新:
- 可微分生物物理模拟:结合可微分 HH 模型与基于模拟的推断
- 细胞外数据推断:仅从 MEA 细胞外测量推断 HH 参数(无需细胞内记录)
- 刺激响应预测:用几分钟记录数据训练的模型预测数小时的刺激测试
技术细节
实验设置
- 数据源:离体猕猴视网膜
- 设备:30 μm 间距 512 电极阵列
- 数据量:数百小时刺激和记录数据
- 训练数据:仅需几分钟记录
方法流程
1. 设计细胞外 MEA 测量特征
2. 利用可微分生物物理模拟
3. 基于模拟的推断 (simulation-based inference)
4. 推断 HH 参数
5. 预测未见过的多电极刺激响应
关键结果
- 预测精度:90.6%(使用仅几分钟记录拟合的 HH 模型)
- 效率提升:替代数小时的临床刺激测试
- 可扩展性:高通量捕获许多神经元的几何和细胞特异性特性
应用价值
转化神经工程
- 核心目标:预测候选神经刺激模式的神经放电响应
- 临床意义:将原本需要数小时测量的过程缩短为几分钟
- 应用范围:视网膜假体、深部脑刺激、脊髓刺激
技术优势
- 非侵入性:使用细胞外记录而非细胞内记录
- 高通量:同时处理整个神经群体
- 生物物理可解释:基于原理性 HH 框架
- 预测性强:可预测未见过的刺激模式
关键洞察
- 可微分模拟的力量:使复杂生物物理模型的参数推断成为可能
- 数据效率:极少训练数据即可达到高精度预测
- 生物物理约束:HH 模型提供原理性框架,避免黑箱
- 临床转化潜力:直接应用于神经假体设备优化
应用场景
- 视网膜假体:优化人工视网膜刺激参数
- 深部脑刺激:个性化帕金森病治疗
- 神经调控:精确控制神经活动
- 基础研究:大规模神经电路生物物理建模
激活关键词
Hodgkin-Huxley, neurostimulation, multi-electrode array, differentiable simulation, biophysical modeling, retina, neural prosthesis, simulation-based inference
相关技能链接
- [[hybrid-biophysical-neuron-neural-ode]]
- [[pinn-neuronal-parameter-estimation]]
- [[neuron-model-reconstruction]]