首页 > 其他分享 >Hodgkin-Huxley Model 完全推导

Hodgkin-Huxley Model 完全推导

时间:2024-09-12 12:46:41浏览次数:8  
标签:right text varphi Huxley dfrac alpha Model Hodgkin left

Ciallo~(∠・ω< )⌒★ 我是赤川鹤鸣。本文假设您已经初步了解了 Hodgkin-Huxley Model,这里只是针对其中的公式的一些推导。不会对其优缺点、特性、应用等进行详述。

img

物理基础知识

如果已学习过物理学中电流、电容、电导率的概念,可跳过此节。

首先,让我们复习一下物理学中电流、电容、电导率的概念。

电流强度单位时间内通过导体某一横截面的电荷量,简称电流,符号为 \(I\)。

\[I = \dfrac{\text{d}q}{\text{d}t} \tag{1.1} \]

其中 \(q\) 是电荷量,\(t\) 是时间。

电容量在数值上等于一个导电极板上的电荷量与两个极板之间的电压之比,简称电容,符号为 \(C\)。

\[C = \dfrac{q}{V} \tag{1.2} \]

其中 \(q\) 是一个导电极板上的电荷量,\(V\) 是两个极板之间的电压。

把式 \((1.2)\) 代入到式 \((1.1)\) 中,则

\[I = \dfrac{\text{d}(CV)}{\text{d}t} = C\dfrac{\text{d}V}{\text{d}t} \tag{1.3} \]

电导率是用来描述物质中电荷流动难易程度的参数,符号为 \(g\)。

\[g = \dfrac{I}{U} \tag{1.4} \]

数学基础知识

如果已学习过微分方程的解法,可跳过此节。

接下来,我们分别推导一阶齐次线性微分方程和一阶非齐次线性微分方程的通解。

一阶齐次线性微分方程的通解推导

例如,有如下的一阶齐次线性微分方程

\[\dfrac{\text{d}y}{\text{d}x} + P(x)y = 0 \ \ (y \neq 0) \]

两侧除以 \(y\) 并乘 \(\text{d}x\),得

\[\dfrac{\text{d}y}{y} + P(x)\text{d}x = 0 \]

移项,得

\[\dfrac{\text{d}y}{y} = - P(x)\text{d}x \]

两侧积分,得

\[\int{\dfrac{\text{d}y}{y}} = \int{ - P(x)\text{d}x} \]

因为 \(\ln{y} + \ln{C}\) 的导数是 \(\dfrac{1}{y}\),所以

\[\ln y = \int{ - P(x)\text{d}x} + \ln C \]

换成以自然对数 \(e\) 为底的形式,即

\[e^{\ln{y}} = e^{\int{ - P(x)\text{d}x} + \ln C} = e^{- \int{P(x)\text{d}x}} e^{\ln C} \]

由于 C 只是一个常数,为了方便,最终通解可写为

\[y = C e^{- \int{P(x)\text{d}x}} \tag{2.1} \]

一阶非齐次线性微分方程的通解推导

例如,有如下的一阶非齐次线性微分方程

\[\frac{\text{d}y}{\text{d}x} + P(x)y = Q(x) \tag{2.2} \]

根据式 \((2.1)\),令 \(C = u(x)\),得

\[y = u(x) e^{- \int{P(x)\text{d}x}} \tag{2.3} \]

带入原方程 \((2.2)\) 得

\[\frac{\text{d}u}{\text{d}x} = \dfrac{Q(x)}{e^{- \int{P(x)\text{d}x}}} \]

对 \(\frac{\text{d}u}{\text{d}x}\) 积分得 \(u(x)\) 并带入式 \((2.3)\) 得

\[y = C e^{- \int{P(x)\text{d}x}} + e^{- \int{P(x)\text{d}x}} \int Q(x) e^{ \int{P(x)\text{d}x}} \text{d}x \]

Hodgkin-Huxley Model

Hodgkin-Huxley Model 的结构如图所示,可以看出膜电流 \(I_{\text{m}}\) 是由钠离子电流\(I_{\text{Na+}}\)、钾离子电流 \(I_{\text{K+}}\)、漏电电流 \(I_{\text{Leak}}\) 和电容器电流 \(I_{C}\) 组成的,即

\[I_{\text{m}} = I_{\text{Na+}} + I_{\text{K+}} + I_{\text{Leak}} + I_{C} \tag{3.1} \]

接下来我们依次推导各个通道上的电流计算公式。

通道电流计算公式

钠离子通道电流

根据式 \((1.4)\),钠离子通道上的电流 \(I_{\text{Na+}}\) 就可由下式决定

\[I_{\text{Na+}} \left( V_{\text{m}}, t \right) = g_{\text{Na+}}\left( V_{\text{m}}, t \right) (V_{\text{m}} - E_{\text{Na+}}) \]

其中钠离子通道上的电导率 \(g_{\text{Na+}}\left( V_{\text{m}}, t \right)\) 是一个与膜电压 \(V_{\text{m}}\) 和时间 \(t\) 相关的函数。为了更好地研究这个函数,我们使用钠离子通道在膜电压 \(V_{\text{m}}\) 和时间 \(t\) 下打开的概率函数 \(P_{\text{Na+}} \left(V_{\text{m}}, t \right)\)、钠离子通道的个数 \(N_{\text{Na+}}\) 和单个钠离子通道的电导率 \(\hat{g}_{\text{Na+}}\) 进行表示,即

\[g_{\text{Na+}}\left( V_{\text{m}}, t \right) = P_{\text{Na+}} \left(V_{\text{m}}, t \right) N_{\text{Na+}} \hat{g}_{\text{Na+}} \tag{3.2} \]

通常,还使用门限变量来重写公式 \((3.2)\) 为

\[g_{\text{Na+}}\left( V_{\text{m}}, t \right) = \bar{g}_{\text{Na+}} m^3 \left( V_{\text{m}}, t \right) h \left( V_{\text{m}}, t \right) \tag{3.3} \]

其中 \(\bar{g}_{\text{Na+}}\) 是钠离子通道的平均电导率,\(m\) 和 \(h\) 是两个与膜电压 \(V_{\text{m}}\) 和时间 \(t\) 相关的门限变量,因为钠离子通道含有两种状态——激活与非激活。

钾离子通道电流

同理,也可以得到钾离子通道上的电流计算公式

\[I_{\text{K+}} \left( V_{\text{m}}, t \right) = g_{\text{K+}}\left( V_{\text{m}}, t \right) (V_{\text{m}} - E_{\text{K+}}) \]

\[g_{\text{K+}}\left( V_{\text{m}}, t \right) = P_{\text{K+}} \left(V_{\text{m}}, t \right) N_{\text{K+}} \hat{g}_{\text{K+}} = \bar{g}_{\text{K+}} n^4 \left( V_{\text{m}}, t \right) \tag{3.4} \]

漏电通道电流

可以得到漏电通道电流的公式

\[I_{\text{Leak}} = g_{\text{Leak}} (V_{\text{m}} - E_{\text{Leak}}) \]

其中 \(g_{\text{Leak}}\) 是漏电通道上的电导率,\(V_{\text{m}}\) 是膜电压,\(E_{\text{Leak}}\) 是漏电通道上的电势差。

电容通道电流

根据公式 \((1.3)\),可以得到电容通道电流的公式

\[I_{\text{C}} = C_{\text{m}}\dfrac{\text{d}V_{\text{m}}}{\text{d}t} \]

其中 \(C_m\) 是膜电容,\(V_{\text{m}}\) 是膜电压,\(t\) 是时间。

电导率计算公式

从式 \((3.3)\) 和 \((3.4)\) 中,我们知道了 \(m\)、\(n\)、\(h\) 三种门限变量,但是其具体的内部构造仍不清楚。我们不妨将门限变量统一设为 \(\varphi(t)\),并由 \(\alpha_{\varphi}\) 和 \(\beta_{\varphi}\) 两个因子决定,即

\[\frac{\text{d}\varphi}{\text{d}t} = \alpha_{\varphi} (1 - \varphi) - \beta_{\varphi} \varphi \tag{3.5} \]

整理式 \((3.5)\) ,按照一阶非齐次线性微分方程的一般形式,可得

\[\frac{\text{d}\varphi}{\text{d}t} + (\alpha_{\varphi} + \beta_{\varphi}) \varphi = \alpha_{\varphi} \]

这样根据一阶非齐次线性微分方程的通解,可求得

\[\begin{align*} \varphi(t) &= Ce^{-(\alpha_{\varphi} + \beta_{\varphi})t} + e^{-(\alpha_{\varphi} + \beta_{\varphi})t} \int \alpha_{\varphi} e^{(\alpha_{\varphi} + \beta_{\varphi})t} \text{d} t \\ &= Ce^{-(\alpha_{\varphi} + \beta_{\varphi})t} + e^{-(\alpha_{\varphi} + \beta)t} \cdot \dfrac{\alpha_{\varphi}}{\alpha_{\varphi} + \beta_{\varphi}} \cdot e^{(\alpha_{\varphi} + \beta_{\varphi}) t} \\ &= C e^{-(\alpha_{\varphi} + \beta_{\varphi})t} + \dfrac{\alpha_{\varphi}}{\alpha_{\varphi} + \beta_{\varphi}} \end{align*} \]

还可以看出一些性质

\[\varphi(0) = C + \dfrac{\alpha_{\varphi}}{\alpha_{\varphi} + \beta_{\varphi}} \]

\[\varphi(+ \infty) = \dfrac{\alpha_{\varphi}}{\alpha_{\varphi} + \beta_{\varphi}} \]

令 \(\tau_{\varphi} = \dfrac{1}{\alpha_{\varphi} + \beta_{\varphi}}\),

\[\varphi(t) = \left( \varphi(0) - \varphi(+ \infty) \right) e^{-\frac{t}{\tau_{\varphi}}} + \varphi(+\infty) \]

也等价于

\[\varphi(t) = \varphi(0) - \left( \varphi(0) - \varphi(+ \infty) \right) \left( 1 -e^{-\frac{t}{\tau_{\varphi}}} \right) \]

综上,根据 \(m\)、\(n\)、\(h\) 三种门限变量和式,我们都可以从微分方程得到原函数的表达式,这里给出各个门限变量的微分方程

\[\dfrac{\text{d}n}{\text{d}t} = \alpha_n (V_{\text{m}}) \left(1 - n(t)\right) - \beta_{n}(V_{\text{m}})n(t) \]

\[\dfrac{\text{d}m}{\text{d}t} = \alpha_m (V_{\text{m}}) \left(1 - m(t)\right) - \beta_{m}(V_{\text{m}})m(t) \]

\[\dfrac{\text{d}h}{\text{d}t} = \alpha_h (V_{\text{m}}) \left(1 - h(t)\right) - \beta_{h}(V_{\text{m}})h(t) \]

具体到 \(\alpha_{\varphi}\) 和 \(\beta_{\varphi}\) 的计算,它们是由实验数据拟合的,因此不同的细胞类型也具有不同的 \(\alpha_{\varphi}\) 和 \(\beta_{\varphi}\) 。

总结

Hodgkin-Huxley Model 中细胞膜电流的计算公式为

\[\begin{align*} I_{\text{m}} \left( V_{\text{m}}, t \right) &= \bar{g}_{\text{Na+}} \cdot m^3 \left( V_{\text{m}}, t \right) \cdot h \left( V_{\text{m}}, t \right) \cdot \left( V_{\text{m}} - E_{\text{Na+}} \right) \\ &+ \bar{g}_{\text{K+}} \cdot n^4 \left( V_{\text{m}}, t \right) \cdot \left( V_{\text{m}} - E_{\text{K+}} \right) \\ &+ g_{\text{Leak}} \left( V_{\text{m}} - E_{\text{K+}} \right) \\ &+ C_{\text{m}} \dfrac{\text{d} V_{\text{m}}}{\text{d} t} \end{align*} \]

标签:right,text,varphi,Huxley,dfrac,alpha,Model,Hodgkin,left
From: https://www.cnblogs.com/AkagawaTsurunaki/p/18409952

相关文章

  • 通过ModelScope开源Embedding模型将图片转换为向量
    本文介绍如何通过ModelScope魔搭社区中的视觉表征模型将图片转换为向量,并入库至向量检索服务DashVector中进行向量检索。ModelScope魔搭社区旨在打造下一代开源的模型即服务共享平台,为泛AI开发者提供灵活、易用、低成本的一站式模型服务产品,让模型应用更简单。ModelScope魔搭......
  • 隐马尔可夫模型(Hidden Markov Model,HMM)—有监督学习方法、概率模型、生成模型
    定义隐马尔可夫模型是关于时序的概率模型,描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列,再由各个状态生成一个观测从而产生观测随机序列的过程。隐藏的马尔可夫链随机生成的状态的序列,称为状态序列(StateSequence);每个状态生成一个观测,而由此产生的观测......
  • 嵌套集合模型(Nested set model)介绍
    嵌套集合模型(Nestedsetmodel)介绍pilishen /更新于5年前本文翻译自维基百科Nestedsetmodel 此文档是 nestedset-无限分类正确姿势的扩展阅读 nestedsetmodel(嵌套集合模型)是一种在关系型数据库中表示nestedsets(嵌套集合) 的特殊技术。[nestedsets]通常......
  • 元学习之模型诊断元学习(model-agnosticmeta-learning,MAML)
            模型诊断元学习(model-agnosticmeta-learning,MAML),另一个是Reptile。这两个算法都是在2017年提出来的,而且都是基于梯度下降法进行优化的。那我们最常用的学习算法是梯度下降,在梯度下降中,我们要有一个网络架构,同时初始化一下这个网络的参数θ0。我们也有一些......
  • V-Model是v-on和v-bind的语法糖,在vue中应该尽量不要看到DOM
    以下实现代码:<!DOCTYPEhtml><htmllang="en"><head><metacharset="UTF-8"><metaname="viewport"content="width=device-width,initial-scale=1.0"><title>Document</title......
  • TPT(论文解读):Test-Time Prompt Tuning for Zero-Shot Generalization in Vision-Langua
    Comment:NeurIPS2022视觉语言模型中用于zero-shot泛化的测试期间提示调优摘要预训练的视觉语言模型在许多具有恰当文本提示的下游任务中表现出不错的zero-shot泛化。最近的研究并非使用手动设计的提示,而是使用下游任务中的训练数据来学习提示。虽然这种方法是有效的,但是......
  • v-bind和v-model的区别
    v-model与v-bind区别:1、v-bind是单向绑定,用来绑定数据和属性以及表达式,只能将vue中的数据同步到页面。2、v-model是双向绑定,不只能将vue中的数据同步到页面,而且可以将用户数据的数据赋值给vue中的属性。3、v-bind可以给任何属性赋值,v-model只能给具备value属性的元素进行数据......
  • A Comprehensive Survey of Accelerated Generation Techniques in Large Language Mo
    本文是LLM系列文章,针对《AComprehensiveSurveyofAcceleratedGenerationTechniquesinLargeLanguageModels》的翻译。大型语言模型中加速生成技术的全面调查摘要1引言2推测解码3早退4非自回归模型5讨论和局限性6结论摘要尽管在大型语言模型(L......
  • A COMPREHENSIVE SURVEY ON EVALUATING LARGE LANGUAGE MODEL APPLICATIONS IN THE ME
    本文是LLM系列文章,针对《ACOMPREHENSIVESURVEYONEVALUATINGLARGELANGUAGEMODELAPPLICATIONSINTHEMEDICALINDUSTRY》的翻译。关于评估医疗行业中大型语言模型应用程序的综合调查摘要1引言和背景2综述的分类和结构3医学领域LLM应用评估的现状4挑战......
  • 大模型api实战-open.bigmodel.cn
    注册登录后在个人中心的APIkeys中找到并复制推荐使用SDK,在虚拟环境安装pipinstallzhipuai编辑python代码访问API获取响应fromzhipuaiimportZhipuAIclient=ZhipuAI(api_key="0c6df39e71b0a7340f221fddc1ddb711.au66Z02fXWc7SJBB")response=client.chat.completi......