Nature Methods
Jaxley框架实现大规模生物物理神经网络模型训练

小赛推荐：

该研究开发了Jaxley框架，利用自动微分和GPU加速技术，显著提升了生物物理神经网络模型的训练效率，支持大规模参数优化与复杂任务训练。

 

文献概述
本文《Jaxley: differentiable simulation enables large-scale training of detailed biophysical models of neural dynamics》，发表于《Nature Methods》杂志，回顾并总结了神经动力学中生物物理模型的训练优化方法，展示了如何利用可微分模拟提升模型匹配实验数据和任务执行的能力。

背景知识
生物物理神经元模型用于研究神经元活动的细胞性质，传统方法在参数优化方面存在显著挑战，尤其是大规模模型的训练效率低下。随着实验技术的发展，神经科学领域对高精度、大规模模型的需求日益增长。尽管已有多种工具如Neuron模拟环境，但它们主要基于CPU，且无法执行反向传播，限制了模型的可扩展性。本文提出Jaxley框架，基于JAX平台，结合GPU加速，实现了对复杂生物物理模型的高效训练，解决了现有方法在参数匹配与任务优化中的瓶颈问题。

 

赛业生物提供基因编辑大鼠模型定制服务，适用于基础生物学研究、疾病模型构建和药物筛选，支持多种基因编辑方式，快速交付。

了解更多

 

研究方法与实验
研究团队利用Jaxley模拟生物物理神经元模型，并通过反向传播优化参数，使其匹配实验电压或钙成像数据。Jaxley还支持参数并行化与刺激并行化，显著提升训练速度。此外，Jaxley支持非凸优化算法，如Polyak梯度下降，确保模型训练的稳定性。

关键结论与观点

• Jaxley在模拟精度上与传统工具（如Neuron）高度一致，且在GPU上运行速度比传统工具快两个数量级。
• 使用Jaxley，研究人员可优化具有1,390个自由参数的单神经元模型，且训练效率远超传统遗传算法。
• Jaxley可训练单神经元完成非线性模式分离任务，揭示其具备非线性计算能力。
• 在视网膜网络模型中，Jaxley成功匹配15,000组刺激-响应数据，并通过混合建模方式优化突触与细胞参数。
• 在计算机视觉任务中，Jaxley训练具有100,000个参数的生物物理神经网络完成MNIST分类任务，准确率达94.2%。

研究意义与展望
Jaxley框架为大规模生物物理模型训练提供了新方法，使得研究人员能够直接优化模型以匹配实验数据或执行计算任务。未来，该框架有望用于神经机制研究、模型稳定性分析、对抗样本检测及最优实验设计等方向。

 

赛业生物提供神经科学相关的病毒包装服务，包括AAV、慢病毒和腺病毒，适用于基因表达调控、神经科学研究和药物开发。

了解更多

 

结语
Jaxley的提出标志着生物物理神经元模型训练进入新阶段。该框架结合GPU加速与自动微分技术，显著提升了模型训练效率，使得大规模生物物理模型的优化成为可能。研究展示了Jaxley在多个任务中的应用，包括电压匹配、模式分离、视网膜网络建模及MNIST图像分类，证明其在数据驱动与任务驱动建模中的有效性。未来，Jaxley可广泛用于神经科学、计算建模及类脑计算研究，推动生物物理模型的进一步发展与应用。

 

Michael Deistler, Kyra L Kadhim, Matthijs Pals, Pedro J Gonçalves, and Jakob H Macke. Jaxley: differentiable simulation enables large-scale training of detailed biophysical models of neural dynamics. Nature Methods.