메뉴
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。
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/hiyenwong/ai_collection --skill atp-hysteresis-tripartite-synapse명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
SKILL.md 표시 중
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 직업 분류 기준
| 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。