[논문 리뷰] Library-based Fast Algorithm for Simulating the Hodgkin-Huxley Neuronal Networks

Zhong-qi K. Tian, Douglas Zhou|arXiv (Cornell University)|2021. 01. 17.

Neural dynamics and brain function참고 문헌 33인용 수 4

한 줄 요약

이 논문은 고해상도 작동 전위 동역학 데이터 라이브러리를 사전 계산하여 허그킨-허크리의 뉴런 네트워크를 빠르게 시뮬레이션하는 라이브러리 기반의 빠른 알고리즘을 제안한다. 이로 인해 최대 0.354 ms의 큰 시간 간격을 사용할 수 있으며, 표준 룬게-쿠타 방법 대비 최대 10배의 속도 향상을 이룩했고, 자극 분포 및 혼돈 동역학과 같은 핵심 통계적 성질을 유지한다.

ABSTRACT

We present a modified library-based method for simulating the Hodgkin-Huxley (HH) neuronal networks. By pre-computing a high resolution data library during the interval of an action potential (spike), we can avoid evolving the HH equations during the spike and can use a large time step to raise efficiency. The library method can stably achieve at most 10 times of speedup compared with the regular Runge-Kutta method while capturing most statistical properties of HH neurons like the distribution of spikes which data is widely used in the statistical analysis like transfer entropy and Granger causality. The idea of library method can be easily and successfully applied to other HH-type models like the most prominent extquotedblleft regular spiking extquotedblright , extquotedblleft fast spiking extquotedblright , extquotedblleft intrinsically bursting extquotedblright{} and extquotedblleft low-threshold spike extquotedblright{} types of HH models.

연구 동기 및 목표

• 작동 전위 기간 동안의 강성으로 인해 표준 룬게-쿠타 방법이 허그킨-허크리(HH) 뉴런 네트워크 시뮬레이션에서 계산 효율성이 떨어지는 문제를 해결하기 위해.
• 더 큰 시간 간격을 사용함에도 불구하고 자극 분포 및 네트워크 동역학의 높은 통계 정확도를 유지하는 빠른 시뮬레이션 방법을 개발하기 위해.
• 일반적인 스파iking, 빠른 스파킹, 내재적 버스팅, 저임계 스파이크 뉴런을 포함한 다양한 HH 유형 모델로 라이브러리 방법의 적용 범위를 확장하기 위해.
• 큰 시간 간격을 사용할 경우에도 자극 간 순서의 정확성을 확보하기 위해 시냅스 상호작용 인과성 고려를 위한 자극-자극 보정 절차를 통합하기 위해.

제안 방법

• 대표적인 HH 뉴런의 작동 전위 기간(3 ms) 동안의 세포막전위 및 개폐 변수 궤적에 대한 고해상도 데이터 라이브러리를 사전 계산한다.
• HH 뉴런을 누설 적분-화염(I&F) 모델로 간주한다: 세포막전위가 임계치를 초과하면 HH 방정식 통합을 일시 정지하고, 라이브러리를 사용해 자극 이후 상태를 보간한다.
• 비자극 단계 동안 큰 시간 간격(최대 0.354 ms)을 사용하여 표준 룬게-쿠타 방법의 작은 시간 간격 대비 계산 비용을 크게 감소시킨다.
• 자기 시작 상태에서 자극 발생 시점의 초기 상태를 기반으로 매 시간 단계 종료 시점의 뉴런 상태를 사전 계산된 라이브러리에서 보간하여, 강성 방정식의 직접 통합을 피한다.
• 추가적인 전압 의존성 전류(예: IB, LTS, FS 유형 등)를 포함한 확장된 HH 유형 모델에도 동일한 라이브러리 구축 및 검색 절차를 적용한다.
• 특히 큰 시간 간격을 사용할 경우에 중요한 자극 간 순서의 정확성을 확보하기 위해 자극-자기 자극 보정 절차를 구현한다.

실험 결과

연구 질문

• RQ1 라이브러리 기반 방법이 허그킨-허크리 뉴런 네트워크 시뮬레이션에서 통계 정확도를 유지하면서도 상당한 속도 향상을 이룰 수 있는가?
• RQ2 라이브러리 방법은 HH 유형 모델에서 자극 주파수 적응, 버스팅 및 혼돈 행동과 같은 핵심 동역학적 성질을 어느 정도 유지하는가?
• RQ3 라이브러리 방법은 일반 스파킹, 빠른 스파킹, 내재적 버스팅, 저임계 스파이크 뉴런을 포함한 다양한 뉴런 유형에서 어떻게 성능을 발휘하는가?
• RQ4 라이브러리 방법에서 신뢰할 수 있는 자극 순서 및 통계 패턴 유지 보존을 위해 사용할 수 있는 최대 시간 간격은 얼마인가?
• RQ5 큰 시간 간격을 사용할 경우 라이브러리 방법에서 정확한 자극 순서 재구성에 위해 자극-자기 자극 보정 절차가 필수적인가?

주요 결과

• 라이브러리 방법은 표준 룬게-쿠타 방법 대비 최대 10배의 속도 향상을 이룩하면서도 허그킨-허크리 뉴런의 통계적 성질을 유지한다.
• 이 방법은 전이 엔트로피 및 그랑저 인과성 분석에 필수적인 장기 시뮬레이션(~20분)을 요구하는 데에 필요한 자극 분포 및 발화율 통계를 정확히 유지한다.
• 라이브러리 방법은 최대 리아풀로프 지수를 통한 확인을 통해 혼돈 동역학을 성공적으로 포착하여 복잡한 시간적 행동을 유지하고 있음을 보여준다.
• 이 방법은 일반 스파킹, 빠른 스파킹, 내재적 버스팅, 저임계 스파이크 뉴런을 포함한 다양한 HH 유형 모델에 대해 강건하며, 일관된 속도 향상과 정확도를 유지한다.
• 큰 시간 간격을 사용할 경우 정확한 자극 순서 재구성에 위해 자극-자기 자극 보정 절차가 필수적이다. 이는 정확한 시냅스 상호작용 인과성을 보장한다.
• 라이브러리 보간 오차가 추가되더라도, 이 방법은 원래 HH 모델의 대부분의 통계적 및 동역학적 성질을 유지하므로 장기적 통계 신경과학 응용에 적합하다.