Neural ODE를 이용한 하이브리드 생물물리학적 뉴런 모델 학습

생물물리학적 뉴런 모델(Biophysical neuron models)은 신경 활동의 측정값과 그 근저에 있는 세포 메커니즘을 연결합니다. 그러나 핵심적인 과제는 많은 이온 채널(ion channels)의 역학(kinetics)이 제대로 규명되지 않았으며, 채널을 생략하거나 형태학적 세부 사항을 줄이는 등의 실질적인 단순화가 모델과 생물학 사이의 체계적인 격차를 유발한다는 점입니다. 이러한 격차를 메우기 위해서는 기계론적 해석 가능성(mechanistic interpretability)을 유지하면서 모델링되지 않은 역학을 유연하게 발견할 수 있는 접근 방식이 필요합니다. 본 논문에서는 알려지지 않은 전류나 잘못 지정된 채널 역학을 포착하기 위해 신경 상미분 방정식(Neural Ordinary Differential Equations, Neural ODEs)을 전도도 기반 생물물리학적 모델(conductance-based biophysical models)에 내장하는 하이브리드 모델링 프레임워크를 소개합니다. Neural ODE를 전압 의존적 정상 상태(voltage-dependent steady-state) 및 시상수(time-constant) 함수로 매개변수화함으로써, 우리는 특정 함수 형태를 가정하지 않고도 전압 기록으로부터 해석 가능한 게이팅 역학(gating dynamics)을 직접 복원합니다. 우리는 이 하이브리드 모델이 2,400개의 이온 채널 모델의 게이팅 역학에 부합하며, 단일 전류 클램프(current-clamp) 기록으로부터 알려지지 않은 게이팅 역학을 복원하고, 현실적인 입력 및 매개변수 오지정(parameter misspecification) 하에서 분포 외(out-of-distribution) 자극 영역으로 일반화됨을 보여줍니다. 또한 우리는 이 방법을 사용하여 피질 뉴런(cortical neuron)의 다구획 모델(multicompartment model)을 학습된 축 전류(axial current)를 가진 단일 구획 하이브리드 모델로 축소하였으며, 이를 통해 계산 비용을 최대 10배(an order of magnitude)까지 낮추었습니다. 종합적으로, 우리의 결과는 전도도 기반 모델의 기계론적 구조를 유지하면서 알려지지 않은 구성 요소를 Neural ODE로 선택적으로 교체할 수 있는 플러그 앤 플레이(plug-and-play) 프레임워크를 구축합니다.