Conditional Flow Matching for Single-Neuron Electrophysiology: Capturing Multimodal Responses Across Stimuli
作者: Cameron Schofield, Luca Ghafourpour, Philip H. Wong, Costas A. Anastassiou, Richard E. Turner
分类: cs.LG
发布日期: 2026-10-05
💡 一句话要点
提出条件流匹配模型以解决单神经元电生理响应多样性问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 单神经元 电生理 条件生成模型 流匹配 神经科学 多样性响应 生物物理模型
📋 核心要点
- 现有的生物物理模型和机器学习方法在捕捉单神经元电生理响应的多样性方面存在显著不足，通常只能映射到单一电压响应。
- 本文提出了一种条件生成模型，利用流匹配技术，通过输入电流条件化速度场来学习单神经元的电生理特性。
- 实验结果显示，该模型能够准确重现电生理特征分布和放电结构，且在刺激阈值附近能够捕捉到放电与非放电的共存现象。
📝 摘要（中文）
神经元在面对相同刺激时会产生不同的电压响应，现有的生物物理模型和机器学习方法难以有效捕捉这种多样性。本文提出了一种条件生成模型，通过流匹配技术，基于输入电流条件化速度场，成功生成与真实电生理特征分布相符的响应。实验结果表明，该模型能够重现不同刺激下的放电和非放电模式，且与人类皮层神经元的实验记录相匹配，展示了其在捕捉神经元动态方面的潜力。
🔬 方法详解
问题定义：本文旨在解决单神经元电生理响应的多样性问题，现有方法通常只能生成单一电压响应，无法捕捉到刺激下的多种动态表现。
核心思路：提出了一种条件生成模型，利用流匹配技术，通过输入电流条件化速度场，能够生成多样化的电生理响应，反映神经元的复杂动态特性。
技术框架：模型的整体架构包括输入电流的条件化处理、流匹配算法的实现以及生成电压响应的模块，确保生成的响应与生物物理特性一致。
关键创新：该研究的主要创新在于引入条件流匹配方法，能够在同一刺激下生成多种电生理响应模式，克服了传统方法的局限性。
关键设计：模型设计中采用了特定的损失函数以优化生成响应的多样性，并在网络结构上进行了调整，以适应电生理数据的复杂性。具体参数设置和网络结构细节在实验部分进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的模型能够在刺激阈值附近成功捕捉到放电与非放电的共存现象，并在高刺激幅度下生成低放电和高放电模式，显著优于基线神经操作模型，展示了更高的响应多样性和准确性。
🎯 应用场景
该研究的潜在应用领域包括神经科学研究、脑机接口技术以及神经疾病的诊断与治疗。通过更准确地模拟神经元的电生理响应，可以为理解大脑功能和开发新型治疗方法提供重要支持，未来可能推动个性化医疗的发展。
📄 摘要（原文）
Neurons of the brain exhibit a rich repertoire of electrophysiology dynamics with the same repeated stimulus eliciting very different voltage responses from the same cell. One common approach in biophysically detailed models is to capture this variability through ensembles of deterministic parametrizations, at a cost of hundreds of thousands of CPU hours. Existing machine learning surrogates inherit the same limitation, where a stimulus is mapped to a single voltage response. We address this challenge by learning a conditional generative model for single-neuron electrophysiology, using flow matching with a velocity field conditioned on the input current. On biophysically detailed models of two human cortical interneuron types, the generated responses closely reproduce the electrophysiological feature distributions, spike-time structure, and excitability profiles, even matching the experimental recordings from the corresponding human cortical neurons. Near the firing threshold, firing and non-firing responses coexist at the same stimulus amplitude, and at high amplitudes, ensembles may split into low- and high-firing modes near depolarization block. We show that our model recovers both modes in each case, while a neural operator baseline suppresses spiking near threshold and blurs the gap between modes at depolarization block.