メニュー
ATP滞后现象三方突触建模方法论。星形胶质细胞释放ATP累积为腺苷，通过A1受体产生滞后反馈抑制。适用于神经胶质相互作用、突触可塑性、三方突触建模。触发词：ATP滞后、三方突触、星形胶质细胞、腺苷、突触可塑性、tripartite synapse、astrocyte、adenosine。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/hiyenwong/ai_collection --skill atp-hysteresis-tripartite-synapseコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
SOC 職業分類に基づく
SKILL.md を表示中
| name | atp-hysteresis-tripartite-synapse |
| description | ATP滞后现象三方突触建模方法论。星形胶质细胞释放ATP累积为腺苷，通过A1受体产生滞后反馈抑制。适用于神经胶质相互作用、突触可塑性、三方突触建模。触发词：ATP滞后、三方突触、星形胶质细胞、腺苷、突触可塑性、tripartite synapse、astrocyte、adenosine。 |
| user-invocable | true |
星形胶质细胞通过ATP释放和腺苷累积产生滞后反馈抑制，形成三方突触可塑性机制。
来源： arXiv:0906.3678 效用： 0.85
神经元 ←→ 星形胶质细胞
↑ ↓
└─ ATP/腺苷 ←┘
import numpy as np
class ATPHysteresisModel:
"""ATP滞后三方突触模型"""
def __init__(self):
# 参数
self.tau_atp = 5.0 # ATP 时间常数 (s)
self.tau_ado = 30.0 # 腺苷时间常数 (s)
# 状态变量
self.ATP = 0.0
self.adenosine = 0.0
# 滞后参数
self.memory = []
self.memory_window = 10 # 记忆窗口
def step(self, neuronal_activity, dt=0.1):
"""
单步更新
Parameters:
-----------
neuronal_activity : float
神经元活动水平 (0-1)
"""
# ATP 释放（星形胶质细胞响应）
atp_release = neuronal_activity * 0.5
# ATP 动力学
self.ATP += (atp_release - self.ATP / self.tau_atp) * dt
# ATP 分解为腺苷
ado_production = self.ATP * 0.1
# 腺苷动力学（带记忆/滞后）
self.adenosine += (ado_production - self.adenosine / self.tau_ado) * dt
# 更新记忆
self.memory.append(self.adenosine)
if len(self.memory) > self.memory_window:
self.memory.pop(0)
# 计算抑制（带滞后）
inhibition = self._compute_hysteresis_inhibition()
return inhibition
def _compute_hysteresis_inhibition(self):
"""计算滞后抑制"""
if len(self.memory) < 2:
return 0.0
# 当前腺苷水平
current_ado = self.memory[-1]
# 历史平均（滞后效应）
historical_avg = np.mean(self.memory[:-1])
# 滞后抑制
if current_ado > historical_avg:
# 上升阶段：更强的抑制
inhibition = current_ado * 1.2
else:
# 下降阶段：抑制保留（滞后）
inhibition = historical_avg * 0.8
return min(inhibition, 1.0)
def simulate(self, activity_trace, dt=0.1):
"""
模拟完整轨迹
Returns:
--------
results : dict
ATP、腺苷、抑制时间序列
"""
n_steps = len(activity_trace)
results = {
'ATP': np.zeros(n_steps),
'adenosine': np.zeros(n_steps),
'inhibition': np.zeros(n_steps)
}
# 重置状态
self.ATP = 0.0
self.adenosine = 0.0
self.memory = []
for i, activity in enumerate(activity_trace):
inhibition = self.step(activity, dt)
results['ATP'][i] = self.ATP
results['adenosine'][i] = self.adenosine
results['inhibition'][i] = inhibition
return results
模拟神经元活动引起的ATP释放和腺苷滞后抑制。