振荡期间兴奋性与抑制性电导时间过程的估计

确定神经元单位时间内接收的信息量，是理解脑连接性以及神经网络如何编码和传递信息的关键。尤其是，通过区分兴奋性和抑制性突触贡献来估计这种信息流，对于理解神经网络功能至关重要，因为维持兴奋—抑制（E/I）平衡能够调节神经元兴奋性和回路稳定性，而其失衡则可能导致多种脑部疾病，包括神经退行性疾病和精神障碍。 然而，由于突触电导无法被直接测量，因此需要采用逆方法从膜电位这一易于测量的量中推断突触电导。尽管已有一些部分解决方案被提出，但由于输入的复杂性和多样性，精确估计这些电导仍然是一个重大挑战。在神经元主动发放动作电位的放电状态下，这一问题尤为突出。 在本研究中，我们提出了一种新的计算策略，该策略结合了从膜电位记录时间过程提取的两个关键指标：脉冲峰值幅度和脉冲间隔。通过利用这两个量，所提出的方法能够准确分离兴奋性和抑制性贡献，并在放电状态下获得了极为理想的结果。

确定神经元单位时间内接收的信息量，是理解脑连接性以及神经网络如何编码和传递信息的关键。尤其是，通过区分兴奋性与抑制性突触贡献来估计这种信息流，对于理解神经网络功能至关重要，因为维持兴奋—抑制（E/I）平衡能够调节神经元兴奋性和回路稳定性，而这种平衡一旦被破坏，则可能导致大量脑部疾病，包括神经退行性疾病和精神疾病。

然而，由于突触电导无法被直接测量，因此需要采用逆方法从膜电位这一易于测量的量中对其进行推断。尽管已有一些部分性的解决方案被提出，但由于输入的复杂性和多样性，准确估计这些电导仍然是一项重大挑战。在神经元主动发放动作电位的放电状态下，这一问题尤为突出。

在本研究中，我们提出了一种新的计算策略，将从膜电位记录时间过程 中提取的两个关键指标结合起来：尖峰振幅和峰间间隔。通过利用这些量，所提出的方法能够准确分离兴奋性和抑制性贡献，并在放电状态下取得了非常理想的结果。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.10.743856v1?rss=1

🏷️ 兴奋抑制平衡 突触电导估计 膜电位反演 动作电位放电 神经网络编码