条件流匹配如何捕捉单神经元电生理的多模态响应？

每个刺激只给一条电压轨迹为何是错的目标

同一重复刺激可以让同一个细胞产生非常不同的电压响应，表现为放电时间、放电频率和爆发性上的试次间变异。生物物理精细的多房室模型通过保留一组确定性的“名人堂”（hall-of-fame）参数化来捕捉这种变异，每个参数化都由进化优化调参以匹配多模态记录。这个集合是不完美的替代：每个成员本身是确定性的，因此其离散程度反映的是模型参数化的不确定性，而不是真正的试次间变异，而且获得它需要耗费数十万 CPU 小时量级。

现有的机器学习替代模型继承了同样的局限。神经网络、物理信息神经网络和神经算子把刺激映射为单一电压响应，并且主要在规则放电区进行评估，对放电阈值附近高度非线性的转变表现尚不清楚。论文的框架是：单神经元电生理应当被表述为在给定施加电流 I 的条件下对膜电位 V 的条件生成，直接以 p(V|I) 为目标。正是这一重新表述，使放电时间的多模态性成为模型必须表示、而不能被平均掉的东西。

流匹配如何把电流变成电压分布

该模型是一个用流匹配训练的条件生成模型，使用以输入电流为条件的速度场。它不是回归一条轨迹，而是把样本输运到条件电压分布，因此单个条件输入可以产生一组响应。以完整的时间对齐刺激波形（而不只是标量幅度）为条件，正是后来让同一架构能处理更一般刺激方案的原因。

在主要结果之前先检查了积分选择。在相同函数评估次数（NFE）下，从样本质量角度比较了欧拉法、中点法和四阶龙格–库塔法；三者都在 200 NFE 前收敛到共同极限，该极限由学习到的速度场误差而非积分器决定。中点法收敛最快，在 10 到 20 NFE 就达到该共同极限，报告的结果使用 20 个中点步（40 NFE），以免受积分误差干扰，尽管更少的步数仍能产生高质量样本。

训练数据与对照基线是什么

评估聚焦于人类颞中回抑制性中间神经元 Patch-seq 数据集中的一个表达小清蛋白（PVALB）神经元和一个表达血管活性肠肽（VIP）神经元。选择这两类是因为它们表现出性质不同的放电区：PVALB 神经元是快速放电中间神经元，协调高频伽马振荡（30–80 Hz），而 VIP 神经元在更慢的时间尺度上运作，这让作者能够检验框架在不同电生理表型上的泛化。

电压响应数据集由单一神经元形态和来自多目标进化优化的 60 组 HoF 电导参数化生成，其中 50 组用于训练。对每个模型抽取 1,680 个刺激，得到 100,800 个电流–电压对，每个刺激只与一个模型配对，因此某个条件器几乎不会被观察到超过一次。响应在 NEURON 中以 0.02 ms 时间步、400 ms 激活窗口进行模拟，裁剪为起始前 45 ms、激活窗口和其后 115 ms，然后低通滤波并按因子三抽取，在 delta t = 0.06 ms 下得到 9,334 个样本。50 个训练模型贡献 84,000 条轨迹，按 90/10 划分为 75,600 个训练和 8,400 个验证样本。直流阶跃幅度从 [-0.11, 0.28] nA 上的截断偏正态分布抽取，这是 HoF 模型经过实验验证的范围，其众数置于阈值附近窗口；NOBLE 训练数据使用同一分布，使比较公平。对照对象是 HoF 模型、由原作者训练的 NOBLE，以及真实的人类皮层实验记录。

未见电流下生成集合匹配特征分布

在未见电流幅度下，PVALB 和 VIP 的生成集合都与 HoF 模型产生的集合高度相似，既捕捉了响应动态也捕捉了其变异。放电触发平均显示生成响应的中位数和四分位距与 HoF 高度吻合，实验曲线落在同一范围内；F-I 曲线显示生成的放电频率分布在各刺激幅度上跟随 HoF，而实验测量与中位响应紧密对齐。

由于逐点电压误差对微小时间偏移敏感，论文还计算了每个响应的电生理特征。生成的分布在各特征和幅度上与 HoF 高度吻合，若干特征在各幅度上的解释方差超过 95%。逆放电间隔（ISI）值的表现较低。把一致性拆分为位置和离散度后，每个特征和幅度的归一化平均偏差保持在约 0.25 sigma 以内；最大差异在离散度上，生成的放电间隔在 0.10 nA 处欠离散，这与逆 ISI 解释方差较低一致。

参考与生成特征分布之间的 Wasserstein-2 距离相对于底层方差仍然很小。对 PVALB 神经元在所有幅度上平均，AP 宽度为 25.3 微秒，AHP 深度为 0.595 mV，平均 AP 幅度为 1.14 mV，逆 ISI 为 0.533 Hz，平均频率为 0.334 Hz。由于在所有幅度上平均可能掩盖特定区的失效模式，分析在三个区中重复：阈值幅度，即至少一个 HoF 模型产生稳态响应、至少一个产生放电响应；低放电幅度，平均放电计数在 5 到 17 之间；高放电幅度，平均放电计数在 18 到 37 之间。表现保持一致，没有特定区的失效模式，尽管阈值区对若干特征明显更具挑战性。

阈值与去极化阻滞区分两种方法

与 NOBLE 最清晰的差别出现在放电阈值区。在 0.02 nA 处，HoF 数据同时包含放电和非放电响应，生成模型两者都能捕捉，而 NOBLE 完全不产生放电响应。放电概率随刺激幅度的变化显示生成模型紧密跟随 HoF 分布，而 NOBLE 向更高放电阈值偏移。作者的解释是，NOBLE 在一个多模态分布上最小化逐点相对 L4 目标；在阈值附近，放电与非放电响应在同一幅度下共存，该目标可能偏好中间响应而非任一模式，从而抑制放电并把预测的放电阈值推向更高电流。放电阈值恰恰是底层动态接近分岔的区域，这就是它比阈下或阈上区更能区分两种方法的原因。

第二个差别出现在高幅度处，此时 VIP 的 HoF 集合接近去极化阻滞。HoF 参数化之间的差异使模型落在该转变的两侧，一些继续放电，另一些进入低放电状态，产生多模态的条件响应分布。在 0.28 nA 处，HoF 放电计数分布分离为明显的低放电和高放电模式；生成模型还原了两种模式及其近似概率质量，而 NOBLE 把质量铺在整个范围上，两种模式都没有分辨出来。论文指出，仅看平均响应会掩盖这一差别。

仅匹配特征分布并不能保证时间结构被保留，因为放电时间决定信息何时到达下游神经元。PVALB 和 VIP 在代表性幅度上的放电时间密度显示，生成模型在各区都紧密跟随 HoF 的放电时间密度，而 NOBLE 显示出更大差异，并且如前所述，在阈值区幅度上捕捉不到放电。

时变刺激需要匹配的训练分布

以完整的时间对齐刺激波形为条件可以支持更一般的方案，因此用与直流阶跃模型相同的模型、优化器和训练超参数，在一个新的时变电流波形数据集上训练了单独模型。时变刺激通过把随机数量的正弦、阶跃、斜坡和啁啾基分量相加构建，每个分量的幅度、起始和持续时间独立采样，并且总是至少包含一个斜坡，因此该数据集中不出现纯方波脉冲；所以在阶跃电流上的评估是一次迁移测试。

在方波脉冲电流上的表现跨阈值、低放电和高放电区保持可比，没有新的特定区失效模式，因此扩展训练分布不会显著降低对直流阶跃响应分布的复现能力。在未见时变刺激上，直流训练的模型通过在对的区域产生放电，对某些非直流输入有一定泛化，但生成集合中的模糊表明 ISI 一致性较差。论文的解释是架构性的：由于相同的卷积核处处适用，任何在卷积核感受野内局部像直流阶跃的输入都与阶跃无法区分，于是模型在整条轨迹上拼接局部阶跃式预测，局部行为好但全局一致性差。一旦输入频率超过 40 Hz，ISI 分布上的表现变差更多，此时为局部阶跃式行为学到的卷积核权重不再合适。在时变电流上训练不需要架构改动，并让模型能够捕捉时变电压动态并跨刺激族泛化。

哪些结论可信，哪些仍待解决

该框架的证据在若干方面有边界，这对解读结果很重要。评估基于两类人类皮层中间神经元，一个 PVALB 和一个 VIP 神经元，各自由单一神经元形态和一组 60 个 HoF 电导参数化生成，其中 50 个用于训练。参考分布是 HoF 集合，论文自己描述它反映的是模型参数化的不确定性而非真正的试次间变异，因此与 HoF 一致是与该替代目标一致，而不是对生物变异的直接验证。与实验记录的一致性是针对特征分布、放电触发平均和 F-I 曲线报告的，而不是完整的分布匹配。

报告的结果使用 20 个中点步（40 NFE）以避免积分误差干扰，论文指出更少的步数仍能产生高质量样本，因此采样预算是设计选择而非硬性要求。直流训练模型在约 40 Hz 以上时变输入上的失败是该训练分布的性质，而不是架构的性质，因为时变训练的模型使用相同架构。把框架从单神经元扩展到相互作用的群体，以及使用蒸馏或少步生成来接近 NOBLE 等确定性替代模型的速度，被列为未来方向而非已展示的结果。

真正相关的区分是放电区而非平均误差

这篇论文确立的实际优先级是：在确定性替代模型和条件生成模型之间做选择，应当依据条件响应分布呈多模态的那些区，而不是跨幅度的平均误差。聚合的 Wasserstein-2 距离对两种方法都保持很小，论文明确指出在所有幅度上平均可能掩盖特定区的失效模式。真正重要的失败集中在放电阈值，那里放电与非放电响应在同一刺激幅度下共存；以及去极化阻滞附近，那里 VIP 集合分裂为低放电和高放电模式。

这就是为什么阈值区是本研究中最尖锐的检验：底层动态在那里接近分岔，也是 NOBLE 的确定性相对 L4 目标抑制放电、把预测放电阈值推向更高电流的地方，也是它在去极化阻滞处模糊模式间隔的地方。因此，比较单神经元电生理替代模型的读者应当问：模型是否在这些特定幅度上还原了各模式及其近似概率质量，以及训练分布是否覆盖了所查询的刺激族，因为直流训练模型在输入频率约 40 Hz 以上时 ISI 一致性下降，而时变训练的模型无需架构改动即可处理这些输入。

本文引用的文献