DOI: https://doi.org/10.1371/journal.pcbi.1013926
PMID: https://pubmed.ncbi.nlm.nih.gov/41678575
تاريخ النشر: 2026-02-12
المؤلف: Jannik Luboeinski وآخرون
الموضوع الرئيسي: ديناميات الأعصاب ووظيفة الدماغ
نظرة عامة
تم تطوير مكتبة برمجيات Arbor لمحاكاة فعالة لشبكات كبيرة من الخلايا العصبية البيولوجية، مع دمج هياكل مورفولوجية مفصلة وآليات عصبية وتشابكية قابلة للتخصيص. تستفيد من قدرات الحوسبة عالية الأداء، المتوافقة مع أنظمة المعالجات متعددة النواة ووحدات معالجة الرسوميات. مع إدراك الدور الحاسم للمرونة التشابكية في الوظائف الإدراكية مثل التعلم والذاكرة، تم توسيع المكتبة لدعم مجموعة واسعة من نماذج المرونة المدفوعة بالنبضات، مما يسهل نمذجة التفاعلات المعقدة بين الشجيرات والعمليات التشابكية.
تقدم الورقة نماذج حسابية متنوعة تظهر قدرات إطار عمل Arbor الموسع، بدءًا من ديناميات التشابك الفردي إلى قواعد التشابك المتعددة، وفي النهاية التوسع إلى الشبكات المتكررة الكبيرة. تشير التحقق من صحة النتائج مقارنةً بمحاكيات أخرى إلى أن Arbor يمكنه محاكاة الشبكات البلاستيكية من خلايا عصبية متعددة الحجرات مع الحد الأدنى من الوقت الإضافي مقارنةً بمحاكاة الخلايا العصبية النقطية، مما يبرز كفاءته في كل من وقت التشغيل واستخدام الذاكرة. من الجدير بالذكر أن الدراسة تستكشف تأثير الهياكل الشجرية على ديناميات الشبكة على مدى فترات زمنية ممتدة، كاشفة عن علاقة بين طول الشجرة الشجرية وقدرة الشبكة على تخزين المعلومات. تهدف هذه الإضافة إلى Arbor إلى تعزيز الأبحاث المستقبلية حول التفاعل بين المرونة التشابكية والمورفولوجيا العصبية في الشبكات الكبيرة.
مقدمة
تستعرض المقدمة تطور محاكيات البرمجيات مفتوحة المصدر للشبكات العصبية البيولوجية، مع تسليط الضوء على أدوات بارزة مثل NEURON وNEST وBrian 2. بينما يتفوق NEURON في نمذجة مورفولوجيا الخلايا العصبية المفصلة، فإن تعقيده قد أعاق قابلية الاستخدام والتحسين للأجهزة الحديثة. استجابةً لذلك، تم تطوير Arbor كمكتبة محاكاة جديدة تدعم الشبكات العصبية ذات المورفولوجيا المفصلة، مع واجهة أمامية بلغة بايثون وتوافق مع تنسيقات وصف النماذج المختلفة، بما في ذلك NMODL. تم تصميم Arbor لتنفيذ فعال على بنى الأجهزة الحديثة، بما في ذلك وحدات المعالجة المركزية متعددة النواة، ووحدات معالجة الرسوميات، ودرجات MPI، وهو واحد من القلائل من المحاكيات التي تقدم دعمًا شاملاً للنماذج متعددة الحجرات.
تؤكد المقدمة أيضًا على أهمية المرونة التشابكية—الضرورية للتعلم والذاكرة—مسلطة الضوء على أنواعها، مثل التعزيز طويل الأمد (LTP) والاكتئاب طويل الأمد (LTD)، وتأثيراتها على الاضطرابات العصبية. تقدم الورقة إطار عمل “Plastic Arbor”، الذي يوسع قدرات Arbor لنمذجة قواعد المرونة المدفوعة بالنبضات، مما يسهل التحقيق في تأثير ديناميات المرونة على سلوك الشبكة. يهدف المؤلفون إلى إظهار الميزات الجديدة لـ Arbor لنمذجة المرونة في الشبكات الكبيرة، مع عرض كفاءته من حيث وقت التشغيل واستخدام الذاكرة، وتقديم رؤى حول ديناميات الشبكة المتعلقة بتعزيز الذاكرة التشابكية. تم هيكلة المقالة لتقديم الأساليب والنتائج جنبًا إلى جنب، مع التركيز على تنفيذ قواعد المرونة ونمذجةها الحسابية عبر تعقيدات مختلفة.
النتائج
في هذا القسم، يقدم المؤلفون نماذج حسابية للمرونة التشابكية المنفذة في Arbor، مع عرض الميزات الجديدة التي تم تطويرها في إطار المحاكاة. تم توفير كود هذه النماذج مجانًا، مما يسمح للقراء بتكييفها لأغراض بحثهم الخاصة. كما يقدم المؤلفون نتائج مرجعية تقارن أداء وقت التشغيل والذاكرة لمختلف نماذج الشبكات المحاكية في Arbor مقارنةً بمحاكيات أخرى.
يركز هذا البحث على تنفيذ ديناميات المرونة، وبالتالي يتم تقديم المعادلات النموذجية ذات الصلة فقط. للحصول على تفاصيل إضافية حول مكونات النماذج الأخرى، يتم توجيه القراء إلى الأدبيات المذكورة والكود المرافق. توضح الأشكال المضمنة في هذا القسم واجهة مستخدم Arbor وتلخص المساهمات الرئيسية للعمل، مع التأكيد على قدرة الإطار على محاكاة آليات متنوعة من المرونة التشابكية.
المناقشة
في هذا القسم، يناقش المؤلفون تصميم وتنفيذ الإضافات إلى الكود الأساسي لـ Arbor، والتي تسهل دمج نماذج المرونة التشابكية. تتمثل إحدى الميزات الرئيسية المقدمة في خطاف POST_EVENT، الذي يسمح بالكشف الفعال عن توقيت النبضات في الخلايا العصبية ما بعد المشبكية، وهو أمر أساسي لنماذج مثل المرونة المعتمدة على توقيت النبضات (STDP) والمرونة المعتمدة على الكالسيوم. كما يقدم المؤلفون سياسة اختيار جديدة، round_robin_halt، مما يتيح تحديثات مستقلة لمتغيرات ما بعد المشبك المتعددة بناءً على النبضات السابقة وما بعد المشبكية، مما يحسن من استخدام الموارد الحاسوبية في نماذج الشبكات الكبيرة.
تتوسع الورقة في توضيح دمج المعادلات التفاضلية العشوائية (SDEs) لنمذجة العمليات العشوائية الحيوية لآليات التعلم المختلفة. يصف المؤلفون تنفيذ خوارزمية أويلر-ماروياما لحل المعادلات التفاضلية العشوائية عدديًا، باستخدام مولدات الأرقام العشوائية الزائفة المعتمدة على العد (CBPRNGs) لتحقيق التوازي الفعال. بالإضافة إلى ذلك، يوضحون انتشار الجسيمات العشوائية في سياق الديناميات العصبية، مستفيدين من الحلول الموجودة في Arbor مع السماح بفصل الانتشار عن نموذج الكابل. يختتم القسم بمناقشة نماذج المرونة التشابكية المختلفة، بما في ذلك STDP والمرونة المعتمدة على الكالسيوم، مع تسليط الضوء على تنفيذها والتحقق منها مقارنةً بالمحاكيات الحالية، مما يظهر قدرة Arbor على نمذجة الديناميات العصبية المعقدة بفعالية.
DOI: https://doi.org/10.1371/journal.pcbi.1013926
PMID: https://pubmed.ncbi.nlm.nih.gov/41678575
Publication Date: 2026-02-12
Author(s): Jannik Luboeinski et al.
Primary Topic: Neural dynamics and brain function
Overview
The Arbor software library is developed for the efficient simulation of large-scale networks of biological neurons, incorporating detailed morphological structures and customizable neuronal and synaptic mechanisms. It leverages high-performance computing capabilities, compatible with multi-core CPU and GPU systems. Recognizing the critical role of synaptic plasticity in cognitive functions such as learning and memory, the library has been extended to support a wide range of spike-driven plasticity paradigms, facilitating the modeling of complex interactions between dendrites and synaptic processes.
The paper presents various computational models that demonstrate the capabilities of the extended Arbor framework, starting from single-synapse dynamics to multi-synapse rules, and ultimately scaling to large recurrent networks. Validation against other simulators indicates that Arbor can simulate plastic networks of multi-compartment neurons with minimal additional runtime compared to point-neuron simulations, showcasing its efficiency in both runtime and memory usage. Notably, the study explores the influence of dendritic structures on network dynamics over extended timescales, revealing a correlation between dendritic tree length and the network’s capacity to store information. This extension of Arbor aims to enhance future research on the interplay between synaptic plasticity and neuronal morphology in large networks.
Introduction
The introduction outlines the evolution of open-source software simulators for biological neural networks, highlighting prominent tools such as NEURON, NEST, and Brian 2. While NEURON excels in modeling detailed neuron morphology, its complexity has hindered usability and optimization for modern hardware. In response, Arbor has been developed as a new simulator library that supports detailed morphological neuron networks, featuring a Python frontend and compatibility with various model-descriptive formats, including NMODL. Arbor is designed for efficient execution on contemporary hardware architectures, including multi-core CPUs, GPUs, and MPI ranks, and is one of the few simulators offering comprehensive support for multi-compartment models.
The introduction also emphasizes the significance of synaptic plasticity—essential for learning and memory—highlighting its types, long-term potentiation (LTP) and long-term depression (LTD), and their implications for neurological disorders. The paper presents the ‘Plastic Arbor’ framework, which extends Arbor’s capabilities to model spike-driven plasticity rules, thereby facilitating investigations into the impact of plasticity dynamics on network behavior. The authors aim to demonstrate Arbor’s new features for modeling plasticity in large-scale networks, showcasing its efficiency in terms of runtime and memory use, and providing insights into network dynamics related to synaptic memory consolidation. The article is structured to present methods and results in tandem, with a focus on the implementation of plasticity rules and their computational modeling across varying complexities.
Results
In this section, the authors present computational models of synaptic plasticity implemented in Arbor, showcasing the newly developed features of the simulation framework. The code for these models is made freely available, allowing readers to adapt them for their own research purposes. The authors also provide benchmarking results that compare the runtime and memory performance of various network models simulated in Arbor against other simulators.
The focus of this paper is on the implementation of plasticity dynamics, and thus only the relevant model equations are presented. For additional details on other components of the models, readers are directed to the cited literature and the accompanying code. Figures included in this section illustrate the Arbor user interface and summarize the main contributions of the work, emphasizing the framework’s capability to simulate diverse mechanisms of synaptic plasticity.
Discussion
In this section, the authors discuss the design and implementation of extensions to the Arbor core code, which facilitate the integration of synaptic plasticity models. A key feature introduced is the POST_EVENT hook, which allows for efficient spike-time detection in postsynaptic neurons, essential for models like spike-timing-dependent plasticity (STDP) and calcium-based plasticity. The authors also introduce a new selection policy, round_robin_halt, enabling independent updates of multiple postsynaptic variables based on pre- and postsynaptic spiking, thereby optimizing computational resources in large-scale network models.
The paper further elaborates on the incorporation of stochastic differential equations (SDEs) to model random processes critical for various learning mechanisms. The authors describe the implementation of the Euler-Maruyama algorithm for numerically solving SDEs, utilizing counter-based pseudorandom number generators (CBPRNGs) for efficient parallelization. Additionally, they detail the diffusion of arbitrary particles within the context of neuronal dynamics, leveraging existing solvers in Arbor while allowing for the decoupling of diffusion from the cable model. The section concludes with a discussion of various synaptic plasticity models, including STDP and calcium-based plasticity, highlighting their implementation and validation against existing simulators, demonstrating Arbor’s capability to model complex neural dynamics effectively.