系统生物学和系统尤其是神经生理学,最近已成为生物医学科学中许多关键应用的强大工具。然而,这样的模型通常基于需要临时计算策略并提出极高计算需求的多尺度(可能是多物理)策略的复杂组合。深度神经网络领域的最新发展证明了与传统模型相比,具有非线性,通用近似值的可能性,以估算具有高速度和准确性优势的高度非线性和复杂问题。合成数据验证后,我们使用所谓的物理约束神经网络(PINN)同时求解生物学上合理的Hodgkin-Huxley模型,并从可变和恒定电流刺激下从真实数据中推断出其参数和隐藏的时间巡回赛,显示出极低的刺激峰值和忠实信号重建的可变性。我们获得的参数范围也与先验知识兼容。我们证明可以向神经网络提供详细的生物学知识,从而使其能够在模拟和真实数据上拟合复杂的动态。
translated by 谷歌翻译