类型a判定：该文档报道了一项原创性研究，提出了一个用于高效建模和优化神经纤维对电刺激反应的全新框架与替代模型。
研究报告
一、 研究概况 本研究由杜克大学生物医学工程系的Minhaj A. Hussain、Nicole A. Pelot，以及电气与计算机工程系、神经生物学系、神经外科系的Warren M. Grill共同完成。Nicole A. Pelot为通讯作者。该研究成果于2024年发表于《自然·通讯》（Nature Communications）期刊，文章编号为15:7597。
二、 研究背景与目的 该研究属于神经调控（neuromodulation）与计算神经科学（computational neuroscience）的交叉领域。外周神经调控通过电刺激控制生理功能，已被用于治疗慢性疼痛、器官功能障碍、癫痫、抑郁症等多种疾病。然而，设计精准有效的刺激方案极具挑战性，因为神经对电刺激的非线性反应异常复杂，受到信号波形、电极-组织关系及神经元生物物理学特性等多重因素的影响，需探索庞大的参数空间。
计算模型已成为理解和控制神经反应不可或缺的工具。领域内的“金标准”是基于McIntyre-Richardson-Grill（MRG）有髓纤维模型，该模型基于详尽的电生理数据开发，并在多种刺激模式下得到了实验验证。然而，现有的计算方法，即使是唯一的行业标准仿真平台NEURON，也仅限于CPU运算，计算成本极高，不适用于实时应用、大规模参数扫描或复杂的优化任务。
为克服这一瓶颈，本研究旨在利用机器学习与高性能并行计算技术，开发一种能够大规模并行估计与优化神经纤维电刺激反应的通用框架，在保证预测高精度的同时，实现计算效率的数量级提升，从而加速神经调控疗法的设计与优化。
三、 研究流程与方法 研究流程主要包括四个核心环节：“轴突机器学习”框架（AxonML）与替代纤维模型（s-MF）的开发、大规模训练数据集的生成、模型训练与测试验证、以及基于替代模型的刺激参数优化。
首先，研究团队开发了名为AxonML的框架，用于在GPU上实现、参数化并高效执行外周神经纤维模型。在该框架下，他们构建了一个高吞吐量的广义计算模型，称为“替代有髓纤维”（s-MF，读作“smurf”）。s-MF在结构上对经典的MRG双电缆模型（double-cable structure）进行了简化，仅保留郎飞氏结（nodes of Ranvier）及连接它们的细胞内空间，并假设髓鞘完全绝缘，从而省略了髓鞘上的额外细胞外场层。s-MF模型的核心是一个带有可训练参数的简化电缆模型，其输入为时空细胞外电场二维数组和纤维直径，输出为跨膜电位（transmembrane potential, vm）和所有门控变量（m, h, p, s）的时空动态响应。模型的动力学过程使用前向欧拉方法进行离散，并通过一个可训练的卷积神经网络（convolutional neural network）来模拟细胞外电位对跨膜电位的影响，取代了传统模型中基于空间二阶差分运算的固定计算方法。
其次，为训练s-MF模型，研究人员生成了一个大规模数据集。他们构建了猪（n=1）和人（n=1）的迷走神经（vagus nerve）实体解剖结构的有限元模型（finite element model, FEM），并安装了六触点的Imthera卡夫电极（cuff electrode）。通过求解有限元模型，模拟了神经内髓的电位分布。随后，这些电位分布作为随时间变化的边界条件，输入到MRG纤维模型中，在NEURON仿真环境中生成了数以万计的纤维反应。训练数据包含了65,536个“场-反应”对，其刺激输入为来自不同电极触点、具有随机化幅度、延迟和脉宽的单相矩形波（monophasic rectangular pulse）信号的线性组合。每对数据包含所有郎飞氏结上的细胞外电位和所有状态变量的全时空响应。纤维的直径范围在5.7至14微米之间。
接着，利用生成的数据，研究团队在NVIDIA RTX A5000 GPU上对s-MF模型进行训练。他们使用截断的随时间反向传播算法（truncated backpropagation through time）和Adam优化器，通过最小化s-MF预测值与NEURON模型预测值之间的均方误差（mean squared error），来优化s-MF的26个可训练参数，包括最大离子电导、轴突电阻、膜电容、几何插值系数等。训练完成后，研究者在未见过的猪（n=6）和人（n=6）迷走神经模型上，使用Imthera卡夫和LivaNova螺旋形卡夫（helical cuff）两种电极，对模型进行了详尽的测试。测试不仅限于激活阈值（activation threshold），还涵盖了多种高度非线性的神经反应，例如单向传播、双向传导阻滞、动作电位碰撞湮灭、对千赫兹频率刺激的传导阻滞反应，以及状态依赖性的尖峰同步/去同步化现象。
最后一个环节是应用s-MF模型进行刺激参数的优化，以实现对猪和人迷走神经内特定神经束（fascicle）的选择性激活。研究者设定了两种优化任务：一是固定时长（400微秒）的双相对称矩形波（biphasic rectangular waveform）的幅度优化，这是一个6维问题（六个电极触点）；二是无波形限制的任意波形优化，在1毫秒的刺激窗内每次求200个时间点的电流幅值，构成一个1200维的高维优化问题。他们实施了两种优化算法：一种是无梯度的差分进化算法（differential evolution, DE），另一种是基于梯度的梯度下降算法（gradient descent, GD）。由于梯度下降法利用了s-MF模型的可微性，该方法仅能与替代模型结合使用。所有通过s-MF优化得到的刺激参数，都最终在NEURON模型上进行了验证，以确保其“真实”效果。
四、 主要研究结果 研究结果表明，s-MF模型在预测精度和计算速度上均取得了突破性成果。
在激活阈值预测的准确性上，s-MF表现出色。在对17,280个Imthera卡夫刺激条件和25,200个螺旋形卡夫刺激条件下的测试中，s-MF预测的阈值与NEURON模型的预测值高度一致（决定系数(R^2 = 0.999)）。平均绝对百分比误差（mean absolute percentage error, MAPE）低于2.5%，超过95%的阈值误差在±5%以内。这一高精度在跨物种（人、猪）、跨纤维直径、跨神经形态、跨电极几何形状和跨刺激波形（包括训练中未见的双相波形、锯齿波、正弦波等）时均能保持，显示了模型强大的泛化能力。作为对比，先前发表的一种基于线性化模型的阈值估计器，其预测阈值的平均绝对百分比误差高达31%，在某些情况下误差甚至超过150%。
在计算效率上，s-MF模型实现了数量级的飞跃。在单GPU上计算全部17,280个Imthera卡夫刺激阈值仅需26秒，相较于NEURON模型在375个CPU核上所需的92分钟，以及单核CPU所需的等效时间，速度提升了约80,000倍。而在螺旋形卡夫的阈值计算中，速度提升更是达到了约95,000倍。
s-MF成功复现了其在训练集中未见过的多种非线性现象。在单脉冲超阈值刺激下，s-MF准确预测了从兴奋、单向传播、双向阻滞到再兴奋的完整响应谱。在千赫兹频率刺激与固有神经活动（100赫兹）的交互测试中，s-MF精确地重现了NEURON模型预测的兴奋、部分阻滞、完全阻滞、再兴奋和再阻滞等复杂模式。在动作电位碰撞实验中，s-MF模拟出的双向传导动作电位的相遇与湮灭过程与NEURON模型的结果高度吻合。此外，在状态依赖性调制测试中，s-MF精确预测了在自发率、刺激频率和幅值变化时，由细胞外刺激引起的神经脉冲序列的同步化程度，详细捕捉了刺激对信息编码的动态影响。
在刺激参数优化任务中，s-MF模型结合优化算法，高效地找到了高质量的选择性刺激方案。在6维矩形波幅度优化中，采用s-MF的差分进化算法和梯度下降算法均取得了优秀效果，目标神经束中位激活率为100%，非目标神经束中位激活率为0%，优化速度相较于使用NEURON模型的差分进化算法分别提升了约2,300倍和26,000倍。在1200维的任意波形优化中，传统基于NEURON模型的差分进化算法无法有效搜索，而基于s-MF模型的梯度下降算法则成功识别出平滑且有效的波形，实现了对目标神经束的完全激活和零非目标激活，总速度提升约135,000倍。这一结果极具应用前景，因为梯度下降生成的波形具有平滑特性，比随机搜索生成的噪声状波形更具临床实用价值。
五、 结论与价值 本研究成功创建了一种名为AxonML的框架，并基于此开发了s-MF替代神经纤维模型。该模型通过简化几何结构、GPU并行化实现及基于数据的参数优化，能够以极高的效率和精度预测神经纤维对电刺激的全时空动态反应，打破了传统仿真平台NEURON的计算瓶颈。该研究的科学价值在于，它证明了对复杂生物物理模型进行高效、可微分的替代建模是可行的，为神经调控领域的研究提供了强大的通用工具。其应用价值在于，s-MF模型和优化算法可将刺激参数的设计时间从数小时甚至更久缩短至分钟级别，极大地加速了多触点电极最优刺激模式的探索过程，为实现高度精准、副作用更小的个性化神经调控疗法开辟了道路。
六、 研究亮点 本研究的核心亮点有三。第一是模型的全息性与高保真度：与以往仅能预测静息态激活阈值的简化模型不同，s-MF能预测全时空的跨膜电位与门控变量，并能再现动作电位碰撞、高频传导阻滞、状态依赖性调制等丰富的非线性神经编码现象，而训练数据仅使用了单相矩形波脉冲。第二是极致的计算效率：通过GPU并行与可微分设计，实现了高达13.5万倍的加速，使得过去计算上难以实现的高维参数优化问题（如任意波形设计）变得触手可及。第三是方法学的创新性：将物理模型的空间二阶差分运算替换为一个可训练的小型卷积网络，这一“机器学习嵌入物理模型”的混合建模策略，在保持模型可解释性的同时，赋予了模型从数据中学习复杂关系的能力，为其他类似生物物理系统的建模提供了新思路。此外，该框架还被成功拓展应用于无髓C纤维替代模型的构建，展现了良好的通用性。