Нейрон похож на электрическую цепь с батарейками и переменными резисторами. Роль резисторов играют ионные каналы — белковые поры в мембране, которые открываются и закрываются, пропуская заряженные частицы. От того, как быстро и при каком напряжении срабатывают эти поры, зависит, родится ли нервный импульс. Беда в том, что для многих каналов такие «инструкции» известны плохо. Инженеру пришлось бы гадать, как работает деталь, а потом подгонять всю схему под реальные измерения — и всё равно ошибаться.
Авторы работы поступили иначе. Они взяли стандартную модель нейрона — набор уравнений, описывающих токи через известные каналы, — и вставили в неё обучаемый блок. Этот блок, словно дотошный мастер, смотрит только на график напряжения и сам выводит, как должны открываться и закрываться неизвестные поры. Никаких готовых формул ему не дают: он учится на ходу, подбирая кривые, похожие на настоящие воротные механизмы. Метод проверили на 2400 разных виртуальных нейронах — и он уверенно восстанавливал спрятанные правила даже при сильных электрических помехах.
Главное достоинство подхода — прозрачность. Обучаемый блок не превращается в чёрный ящик: на выходе он рисует те же плавные кривые зависимости от напряжения, которыми биологи описывают настоящие каналы. Можно взять эти кривые и понять, что именно происходило в клетке. Так гибрид из физики и машинного обучения заделывает бреши в знаниях, не заметая их под ковёр.
как её написали авторы, на английском arXiv:2606.16693
Biophysical neuron models link measurements of neural activity to underlying cellular mechanisms. Yet, a central challenge is that the kinetics of many ion channels are poorly characterized, and practical simplifications -- omitting channels or reducing morphological detail -- introduce systematic gaps between model and biology. Bridging these gaps requires approaches that can flexibly discover unmodeled dynamics while preserving mechanistic interpretability. Here, we introduce a hybrid modeling framework that embeds neural ordinary differential equations into conductance-based biophysical models to capture unknown currents or mis-specified channel kinetics. By parameterizing the neural ODE in terms of voltage-dependent steady-state and time-constant functions, we recover interpretable gating dynamics directly from voltage recordings without assuming a functional form. We show that the hybrid model fits the gating kinetics of 2400 ion channel models and recovers unknown gating dynamics from single current-clamp recordings, generalizing to out-of-distribution stimulus regimes under realistic inputs and parameter misspecification. We also use our method to reduce a multicompartment model of a cortical neuron into a single-compartment hybrid model with a learned axial current, yielding up to an order of magnitude lower computational cost. Together, our results establish a plug-and-play framework for selectively replacing unknown components of conductance-based models with neural ODEs while preserving their mechanistic structure.
В одном нейроне могут работать десятки типов ионных каналов, и каждый открывается при своём напряжении — примерно как замок, который щёлкает только от ключа определённой формы.
В романе «Ложная слепота» Питера Уоттса экипаж пытается расшифровать работу инопланетных нейронов, не имея к ним прямого доступа, — примерно так же алгоритм восстанавливает невидимые каналы по косвенным данным.