计算神经遗传建模（CNGM）是一个跨学科领域，结合了计算神经科学、遗传学和机器学习，以在多个生物学尺度上构建大脑功能的模型。该方法旨在弥合分子层面的过程（如基因表达和蛋白质相互作用）与系统层面的现象（包括神经网络活动和认知行为）之间的鸿沟。通过将遗传信息整合到动态神经模型中，CNGM旨在提供对遗传变异如何影响大脑功能、发育和疾病的更具机制性的理解。
该领域在2000年代初兴起，当时研究人员认识到传统的神经网络模型往往忽略了塑造神经元特性的潜在遗传和分子机制。与通常将神经元视为固定计算单元的传统计算神经科学不同，CNGM模型纳入了动态基因调控网络，这些网络可以随时间改变突触强度、膜电导和其他细胞参数。这使得模拟能够捕捉由基因表达变化驱动的可塑性和稳态过程，从而提供对生物系统更真实的表征。
历史发展
CNGM的概念基础可以追溯到1990年代，当时基因组学和高通量测序的进展开始提供大脑中基因表达模式的大型数据集。早期的工作，例如奥塔哥大学研究人员的工作，提出了将基因调控网络与脉冲神经网络相结合。2004年Benuskova和Kasabov发表的一篇里程碑式论文引入了一个框架，其中基因表达水平直接调节突触权重和神经元兴奋性，从而能够在分子层面模拟学习和记忆。后续工作将其扩展到包括多区室神经元模型和皮层回路的大规模模拟。
到2010年代，深度学习的兴起和计算能力的增强使CNGM能够纳入更复杂的基因相互作用网络，并扩展到更大的脑区。该领域也开始与系统生物学交叉，利用模型预测基因突变对网络动力学的影响，这对理解精神分裂症和自闭症等神经精神疾病具有重要意义。
核心组成部分
一个典型的计算神经遗传模型由三个相互作用的层次组成。第一层是基因调控网络（GRN），描述转录因子和其他蛋白质如何调控基因表达。该GRN通常表示为微分方程组或布尔网络，参数从实验数据中估计。第二层是神经网络模型，范围从简单的速率单元到具有离子通道的详细脉冲神经元。第三层是耦合机制，将基因表达水平转化为神经参数的变化，如突触权重、膜时间常数或放电阈值。
机器学习技术，特别是机器学习和深度学习，经常用于根据实验数据训练这些模型。例如，进化算法或基于梯度的方法可以优化GRN的参数，以重现观察到的电生理记录。将神经网络架构与遗传成分相结合，使CNGM区别于标准的人工智能方法，后者通常不纳入生物基因调控。
应用
CNGM已应用于神经科学的多个领域。一个主要应用是理解神经和精神疾病。通过模拟特定基因突变如何改变网络动力学，研究人员可以识别潜在的生物标志物或治疗靶点。例如，模型已被用于研究离子通道基因突变对癫痫的影响，并探索突触基因失调如何导致阿尔茨海默病。
另一个应用是发育神经科学，CNGM有助于解释基因表达梯度如何引导神经回路的形成。模型已模拟了皮层柱的成熟和感觉处理中关键期的出现。此外，CNGM还用于认知建模，将遗传倾向与学习速率或记忆能力的差异联系起来。
在神经工程领域，CNGM通过提供生物神经元对刺激响应的真实模拟，为脑机接口和神经假体的设计提供信息。它还有助于神经形态计算的发展，其中来自基因调控可塑性的见解被用于设计更具适应性的硬件。
与人工智能的关系
虽然CNGM植根于生物学，但它与现代人工智能研究共享方法论工具。使用深度学习进行参数估计以及在某些模型中纳入残差网络或注意力机制反映了思想的交叉融合。然而，CNGM与主流AI的不同之处在于其强调机制可解释性和生物保真度。与由OpenAI或Google DeepMind开发的大型语言模型从文本中学习统计模式不同，CNGM模型旨在解释基因表达变化如何导致特定的神经放电模式。
一些研究人员认为，CNGM可以启发更稳健和样本高效的AI架构，借鉴基因调控和突触可塑性的原理。反过来，机器学习的进展通过实现高维基因组数据的分析和复杂多尺度模型的优化，加速了CNGM的发展。
挑战与未来方向
CNGM的一个重大挑战是缺乏同时捕获基因表达、神经活动和行为的全面实验数据。模型参数往往欠定，导致可识别性问题。此外，模拟具有详细基因网络的大规模模型的计算成本仍然很高，尽管硬件和算法的进展（如来自AMD和Intel的进展）正在提供帮助。
另一个挑战是不同空间和时间尺度的整合。基因表达变化发生在几分钟到几小时内，而神经放电发生在毫秒内。弥合这些尺度需要复杂的数学技术，并可能受益于能够处理多尺度时间依赖性的多头注意力或序列到序列模型等方法。
未来方向包括利用患者特异性基因组数据开发个性化CNGM模型，这可能带来脑部疾病的精准医学。还有兴趣将CNGM与强化学习相结合，以模拟基因-环境相互作用如何塑造行为。随着数据可用性和计算能力的持续增长，CNGM有望成为理解遗传与大脑功能之间复杂关系的核心工具。
参见
- computational-neuroscience
- systems-biology
- gene-regulatory-network
- 脉冲神经网络
- neuromorphic-computing