[论文解读] Fluid limit theorems for stochastic hybrid systems with application to neuron models

K. Pakdaman, M. Thieullen+1 more|arXiv (Cornell University)|Jan 14, 2010

Gene Regulatory Network Analysis被引用 10

一句话总结

本文建立了随机混合系统（连续确定性动力学与马氏跳跃过程耦合）的流极限定理，证明了具有指数收敛速度的功能大数定律和功能中心极限定理。该理论应用于具有随机离子通道的神经元模型，量化了通道噪声对动作电位发放时间与频率编码的影响，表明噪声引起的波动按 $1/\sqrt{N}$ 规律缩放，且收敛到确定性极限的速度呈指数级，依赖于 $N$。结果为在有限尺寸随机性下估计神经系统的精度与可靠性提供了严格的理论框架。

ABSTRACT

This paper establishes limit theorems for a class of stochastic hybrid systems (continuous deterministic dynamic coupled with jump Markov processes) in the fluid limit (small jumps at high frequency), thus extending known results for jump Markov processes. We prove a functional law of large numbers with exponential convergence speed, derive a diffusion approximation and establish a functional central limit theorem. We apply these results to neuron models with stochastic ion channels, as the number of channels goes to infinity, estimating the convergence to the deterministic model. In terms of neural coding, we apply our central limit theorems to estimate numerically impact of channel noise both on frequency and spike timing coding.

研究动机与目标

• 将流极限定理从纯跳跃马氏过程推广至具有连续与跳跃动力学耦合的随机混合系统。
• 分析由于随机离子通道引起的神经元模型中有限尺寸涨落的影响。
• 量化通道噪声对神经编码的影响，特别是对动作电位发放时间与频率编码的影响。
• 推导围绕确定性流极限的扩散近似与功能中心极限定理。
• 提供收敛误差的指数尾部估计，从而可精确预测为达到所需精度而需的种群规模 $N$。

提出的方法

• 将随机混合系统建模为连续时间马氏过程，其跳跃速率依赖于状态，并与描述全局变量 $V_N$ 的常微分方程耦合。
• 应用指数鞅不等式，证明具有指数收敛速度的功能大数定律：$P(E_N(T) > \Delta) \leq e^{-\Delta N H(T)}$，其中 $E_N(T)$ 为时间区间 $[0,T]$ 上的上确界范数误差。
• 通过波动的中心极限定理，为联合过程 $(V_N, e_N)$ 构建扩散近似，其中 $e_N$ 为状态的经验测度。
• 构建围绕流极限的线性化朗之万近似，导出由生成元导出的漂移与扩散系数驱动的随机微分方程系统。
• 利用线性化系统的矩方程，计算波动过程的一阶与二阶矩的演化。
• 将该框架应用于具有随机离子通道的 Morris-Lecar 神经元模型，推导出电压、激活与失活变量的显式矩方程。

实验结果

研究问题

• RQ1 随着组件数量 $N$ 增加，随机混合系统解如何收敛到确定性流极限？
• RQ2 流极限的收敛速率如何？能否通过指数尾部界进行量化？
• RQ3 围绕流极限的波动行为如何？能否用高斯过程近似？
• RQ4 有限尺寸随机性（通道噪声）对神经元模型中动作电位发放时间与频率编码有何影响？
• RQ5 如何估计为实现神经动力学中期望精度而所需的离子通道数量 $N$？

主要发现

• 流极限以指数收敛速度建立：$P(E_N(T) > \Delta) \leq e^{-\Delta N H(T)}$，为时间区间 $[0,T]$ 上的误差提供了定量边界。
• 系统围绕流极限的波动渐近服从高斯分布，其扩散近似由包含由跃迁速率导出的漂移与扩散系数的随机微分方程系统给出。
• 对于该混合系统，中心极限定理表明，缩放后的波动 $\sqrt{N}(\tilde{e}_N - e)$ 弱收敛于一个具有漂移 $b(v,e)$ 与扩散 $\sqrt{\lambda(v,e)/N}$ 的扩散过程。
• 对于 Morris-Lecar 模型，线性化波动的矩方程构成一个具有时变系数的线性非齐次常微分方程组，可实现对噪声引起波动的方差与协方差的数值估计。
• 分析表明，通道噪声导致动作电位发放时间与频率编码的波动按 $1/\sqrt{N}$ 规律缩放，且为达到给定精度而所需的 $N$ 随关注的时间尺度增加而增长。
• 该框架可实现对通道噪声影响神经编码的数值估计，表明噪声可能显著影响动作电位产生过程中的时间精度。