NetPyNE チュートリアル

このチュートリアルでは、NetPyNE Python パッケージを使用してニューロンネットワークの簡単なシミュレーションを作成する方法の概要を説明します。

NetPyNE のダウンロードとインストール手順は、installation で参照できます。

Python のネストされた辞書とリストはパラメーターの指定に使用されるため、よく理解しておくことをお勧めします。利用可能な優れたオンライン Python コースが多数あります。 CodeAcademy または Google から。

こちらも参照

NetPyNE で使用できるすべての機能の包括的な説明については、ユーザードキュメントを参照してください。

チュートリアル 1: 簡単な例

勇気を与える方法で始めるために、わずか 3 行で構成される可能な限り単純な例を実装します。これにより、単純なネットワーク (ランダムに接続された 200 個のセル) が作成され、1 秒間のシミュレーションが実行され、ネットワークスパイクラスタープロットとセルの電圧トレースがプロットされます。

HHTut.py サンプルパラメータファイルをダウンロードする必要があります (ここからダウンロード - 右クリックして、作業している同じフォルダに「名前を付けて保存」します)。

コードは次のようになります (tut1.py から入手できます)。

              import HHTut
from netpyne import sim
sim.createSimulateAnalyze(netParams = HHTut.netParams, simConfig = HHTut.simConfig)

最初の行は、ネットワークおよびシミュレーションパラメーターを含む HHTut モジュールをインポートします。

2 行目は、netpyne パッケージから sim モジュールをインポートします。 sim モジュールは、これらのパラメータに基づいてネットワークを簡単に作成およびシミュレートする機能を提供します。

3 行目は、createSimulateAnalyze 関数を呼び出します。この関数は、ネットワークを作成およびシミュレートし、データを保存してプロットするための標準的なコマンドシーケンスを実行します。次の 2 つの引数が必要です。

netParams - ネットワークパラメータ（セルのプロパティ、人口、接続性など）を保存するクラス NetParams のオブジェクト
simConfig - シミュレーションオプション (期間、dt、記録およびプロットのオプションなど) を保存する SimConfig クラスのオブジェクト

この場合、HHTut モジュール (Hodgkin-Huxley ネットワークの例) で指定された事前定義パラメーターのセットを使用しています。 HHTut モジュールには、netParams および simConfig という 2 つの必須オブジェクトが含まれています。

モデルを実行するには、tut1.py スクリプトを実行するだけです。これを行う 1 つの方法は、次のシェルコマンドを実行することです。

python tut1.py

MPI (例: OpenMPI) と MPI サポートを備えた NEURON が正常にインストールされている場合は、次のように入力して、複数のコア/プロセッサを使用してモデルを並行してシミュレートできます。

mpiexec -n 4 nrniv -python -mpi tut1.py

ここで、4 を使用するコアの数に置き換えます。

毎回その長い行を入力するのを避けたい場合は、この単純なシェルスクリプト (runsim) をダウンロードして、次のように入力するだけです。

./runsim 4 tut1.py

注記

スクリプトを使用するには、スクリプトが実行可能になるように権限を変更してください (例: chmod +x runsim)。

どの方法を使用する場合でも、ネットワーク内のセルと接続の 2D 表現、ラスタープロット (セル対時間のスパイク)、および単一セルの電圧トレースを取得する必要があります。

おめでとう！ NEURON で生物学的ニューロンネットワークを作成し、シミュレートしました。

注記

一部のシステムでは、表示される数字が空の場合があります。これは、 tut1.py の末尾に次の行を追加することで修正できます: import pylab; pylab.show() 。いずれの場合も、ラスタープロットと電圧トレースの数値は、HHTut_raster.png および HHTut_traces.png としてディスクに正しく保存されます。

このチュートリアルの残りの部分では、独自のパラメーターを簡単に指定してカスタムネットワークとシミュレーションを作成する方法を見ていきます。わかりやすくするために、ネットワークパラメーター、シミュレーションオプション、および関数の呼び出し (ネットワークの作成、シミュレーション、結果のプロットに必要) はすべて 1 つのファイルに含まれます。より大きなモデルの場合は、モデル仕様パラメータと関数呼び出しを別のファイルに保存することをお勧めします (例はこちらを参照)。

まず、Python オブジェクトの概要から始めて、すべてのネットワークパラメーターを定義します。

チュートリアル 2: ネットワークパラメーター

netParams オブジェクトには、ネットワークを定義するために必要な情報がすべて含まれています。これは、次の 8 つの順序付けられた辞書で構成されます。

cellParams - セルのタイプとそれに関連するパラメータ (セルの形状など)
popParams - ネットワーク内の人口とそのパラメータ
synMechParams - シナプス機構とそのパラメータ
connParams - ネットワーク接続ルールとそれに関連するパラメータ。
subConnParams - ネットワークのセルラー接続ルールとそれに関連するパラメーター。
stimSourceParams - 刺激源パラメータ。
stimTargetParams - 刺激源と標的細胞間のマッピング。
rxdParams - 反応拡散 (RxD) コンポーネントとそのパラメーター。

netParams 構成は、パッケージが内部で実行されるイベントの標準シーケンスと一致しています。

Network オブジェクトを作成し、popParams に基づいて Population オブジェクトと Cell オブジェクトのセット内に追加します
cellParams に基づいてセルのプロパティを設定します
connParams および subConnParams (どのシナプス前セルとシナプス後セルが conn ルール条件に一致するかを確認) に基づいて、synMechParams のシナプスパラメーターを使用して一連の接続を作成します。
stimSourceParams および stimTargetParams に基づいて細胞に刺激を追加します。

以下の画像は、このプロセスを示しています。

ここで、新しいモデルファイル (tut2.py と呼びます) を作成し、すべてのネットワークパラメーターを最初から指定します。ネットワークパラメーターを保持する構造を作成するには、次のコードを追加します。

              from netpyne import specs, sim

# Network parameters
netParams = specs.NetParams()  # object of class NetParams to store the network parameters

セルの種類

まず、cellParams ディクショナリに項目を追加して、各セルタイプのプロパティを定義する必要があります。各 cellParams 項目には、キー (セルタイプ) と、次のフィールドを含む辞書で構成される値が含まれています。

secs - セクションのプロパティを含む辞書。幾何学、機構

この例では、PYR という名前の細胞タイプを作成し、両方の母集団で使用します。特定のジオメトリとホジキン・ハクスリー機構 (hh) を備えた soma というラベルの付いたセクションが必要であることを指定します。

                PYRcell = {'secs': {}}
PYRcell['secs']['soma'] = {'geom': {}, 'mechs': {}}
PYRcell['secs']['soma']['geom'] = {'diam': 18.8, 'L': 18.8, 'Ra': 123.0}                           # soma geometry
PYRcell['secs']['soma']['mechs']['hh'] = {'gnabar': 0.12, 'gkbar': 0.036, 'gl': 0.003, 'el': -70}  # soma hh mechanism
netParams.cellParams['PYR'] = PYRcell


              

セルタイプの定義に使用されるネストされた辞書構造を少し調べてください。パラメータの入力を容易にするために、空の辞書 ({}) と中間辞書 (例: PYRcell) が使用されていることに注意してください。このルールを追加するには、次のような他の同等の方法もあります。

                netParams.cellParams['PYR'] = {
        'secs': {'soma':
                {'geom': {'diam': 18.8, 'L': 18.8, 'Ra': 123.0},
                'mechs': {'hh': {'gnabar': 0.12, 'gkbar': 0.036, 'gl': 0.003, 'el': -70}}}}})

人口

次に、netParams の popParams 辞書に項目を追加して、ネットワーク用の母集団を作成する必要があります。各 popParams 項目には、キー (人口ラベル) と、次の人口パラメータを含むディクショナリで構成される値が含まれています (詳細については、人口パラメータを参照してください)。

cellType - この集団内のセルに割り当てられた属性/タグ。後で、このタグを持つセルに特定のセルプロパティを設定するために使用できます。
numCells - この集団内の細胞の数 (細胞密度を使用して指定することもできます)
cellModel - この集団内のセルに割り当てられる属性またはタグ。後で、このタグを持つセルに特定のセルモデル実装を設定するために使用できます。例えば「HH」 (標準的なホドギン・ハクスリー型細胞モデル) または「Izhi2007b」 (Izhikevich 2007 点ニューロンモデル)。セルモデルはユーザーが定義することも、インポートすることもできます。

まず、S (感覚) および M (運動) とラベル付けされた 2 つの集団を作成し、それぞれ 20 個の細胞を持ち、PYR (錐体) 型で、HH 細胞モデル (標準的なコンパートメント型ホジキン・ハクスリー型細胞) を使用します。

                ## Population parameters
netParams.popParams['S'] = {'cellType': 'PYR', 'numCells': 20}
netParams.popParams['M'] = {'cellType': 'PYR', 'numCells': 20}

これにより、実行中に NetPyNE に 40 個の Cell オブジェクトを作成するように指示され、各オブジェクトにはその母集団の属性またはタグ (つまり、「cellType」: 「PYR」など) が含まれます。これらのタグは、後でセルのプロパティや接続ルールを定義するために使用できます。

データ構造をよりよく理解するには、print(netParams.popParams) を実行してすべての母集団パラメータを表示するか、print(netParams.popParams['M']) を出力して母集団 ‘M’ のパラメータを表示します。

シナプス機構パラメータ

次に、synMechParams 辞書に項目を追加して、少なくとも 1 つのシナプスメカニズムのパラメーターを定義する必要があります。各 synMechParams 項目には、キー (接続ルールで参照するために使用される synMech ラベル) と、次のフィールドを含む辞書で構成される値が含まれています。

mod - NMODL メカニズム (例: 「ExpSyn」)
メカニズムパラメータ (tau または e など) - これらは特定の NMODL メカニズムに依存します。

シナプス機構は、接続フェーズ中に必要に応じて細胞に追加されます。各接続ルールは、適切なラベルを参照することによって、どのシナプスメカニズムパラメーターを使用するかを指定します。私たちのネットワークでは、Exp2Syn モデルを使用して実装され、立ち上がり時間 (tau1) が 0.1 ミリ秒、減衰時間 (tau2) が 5 ミリ秒、平衡電位 (e) が 0 である、exc というラベルの付いた単純な興奮性シナプス機構のパラメーターを定義します。 mV:

                ## Synaptic mechanism parameters
netParams.synMechParams['exc'] = {'mod': 'Exp2Syn', 'tau1': 0.1, 'tau2': 5.0, 'e': 0}  # excitatory synaptic mechanism

刺激

NetStim (NEURON の人工スパイク発生器) を使用して、細胞にバックグラウンド刺激を加えてみましょう。 bkg というラベルの付いた刺激源を作成し、発火速度が 100 Hz、ノイズレベルが 0.5 であることを指定します。

                # Stimulation parameters
netParams.stimSourceParams['bkg'] = {'type': 'NetStim', 'rate': 10, 'noise': 0.5}

次に、この刺激の対象となる細胞を指定します。この場合、すべての錐体細胞が必要なので、条件を {'cellType': 'PYR'} に設定します。最後に、NetStims を重み 0.01、遅延 5 ミリ秒で接続し、exc シナプスメカニズムをターゲットにします。

                netParams.stimTargetParams['bkg->PYR'] = {'source': 'bkg', 'conds': {'cellType': 'PYR'}, 'weight': 0.01, 'delay': 5, 'synMech': 'exc'}

接続ルール

最後に、connParams ディクショナリに項目 (接続ルール) を追加して、セルを接続する方法を指定する必要があります。各 connParams 項目には、キー (conn ルールラベル) と、次のフィールドを含むディクショナリで構成される値が含まれています。

preConds - シナプス前細胞の状態を指定します
postConds - シナプス後細胞の状態を指定します
weight - 接続のシナプス強度
delay - シナプス前スパイクがシナプス後ニューロンに到達するまでの遅延 (ミリ秒)
synMech - 使用するシンパティックメカニズムパラメータ
probability または convergence または divergence - 接続の確率 (0 ～ 1)、収束 (ポストシンセルあたりのプレシンセルの数)、または発散 (プレシンセルあたりのポストシンセルの数) の確率をそれぞれ指定するオプションのパラメーター。省略した場合、全対全接続が実装されます。

50% の確率で感覚集団と運動集団をランダムに結び付けるルールを追加します。

                ## Cell connectivity rules
netParams.connParams['S->M'] = { #  S -> M label
        'preConds': {'pop': 'S'},   # conditions of presyn cells
        'postConds': {'pop': 'M'},  # conditions of postsyn cells
        'probability': 0.5,         # probability of connection
        'weight': 0.01,             # synaptic weight
        'delay': 5,                 # transmission delay (ms)
        'synMech': 'exc'}           # synaptic mechanism


              

シミュレーション構成オプション

上記で、ネットワークモデルに関連するすべてのパラメーターを定義しました。ここでは、ネットワークから独立したシミュレーション自体のパラメータまたは構成 (期間など) を指定します。

simConfig オブジェクトを使用して、シミュレーション期間、タイムステップ、セル変数の記録、ディスクへのデータの保存、グラフのプロットなどに関連するオプションをカスタマイズできます。すべてのオプションにはデフォルト値があるため、それらを指定することは必須ではありません。

以下に、0.025 ミリ秒の積分ステップで 1 秒のシミュレーションを実行し、0.1 ミリ秒間隔でソーマ電圧を記録し、model_output という名前の pickle ファイルにデータ (パラメーター、ネットワーク、およびシミュレーション出力) を保存し、ネットワークラスターをプロットし、gid 1 でセルの電圧トレースをプロットし、ネットワークの 2D 表現をプロットするために必要なオプションを示します。

                # Simulation options
simConfig = specs.SimConfig()       # object of class SimConfig to store simulation configuration

simConfig.duration = 1*1e3          # Duration of the simulation, in ms
simConfig.dt = 0.025                # Internal integration timestep to use
simConfig.verbose = False           # Show detailed messages
simConfig.recordTraces = {'V_soma':{'sec':'soma','loc':0.5,'var':'v'}}  # Dict with traces to record
simConfig.recordStep = 0.1          # Step size in ms to save data (e.g. V traces, LFP, etc)
simConfig.filename = 'tut2'         # Set file output name
simConfig.savePickle = False        # Save params, network and sim output to pickle file

simConfig.analysis['plotRaster'] = {'saveFig': True}                  # Plot a raster
simConfig.analysis['plotTraces'] = {'include': [1], 'saveFig': True}  # Plot recorded traces for this list of cells
simConfig.analysis['plot2Dnet'] = {'saveFig': True}                   # plot 2D cell positions and connections


              

シミュレーション構成オプションの完全なリストは、シミュレーション構成から入手できます。

ネットワークの作成とシミュレーション

すべてのネットワークパラメーターとシミュレーションオプションを定義したので、実際にネットワークを作成してシミュレーションを実行する準備が整いました。これを行うには、sim モジュールの createSimulateAnalyze 関数を使用し、作成したばかりの netParams 辞書と simConfig 辞書を引数として渡します。

sim.createSimulateAnalyze(netParams, simConfig)

前と同様に、sim モジュールを netpyne パッケージからインポートしたことを確認する必要があることに注意してください。

この例の完全なチュートリアルコードは、ここから入手できます: tut2.py

モデルを実行するには、チュートリアル 1: 簡単な例で前述したいずれかの方法を使用できます。

mpi がインストールされていない場合:

python tut2.py

mpi が動作している場合:

mpiexec -n 4 nrniv -python -mpi tut2.py

mpi が動作しており、runsim シェルスクリプトがある場合:

./runsim 4 tut2.py

以下に示すラスタープロットと電圧トレースの図が得られるはずです。 M 母集団の発火率が S 母集団の発火率よりも高いことに注目してください。両方とも同じバックグラウンド入力を受信するため、これは理にかなっていますが、S セルは M セルにランダムに接続するため、M の起動レートが増加します。

モデルパラメータを変更した場合の効果を自由に調べてください。細胞の数、バックグラウンドまたはS->Mの重み、細胞の形状または生物物理学的特性など。

チュートリアル 3: セルにコンパートメント (樹状突起) を追加する

ここでは、受動機構を備えた樹状セクションを追加することで錐体細胞タイプを拡張します。 dend セクションには、親の soma セクションへの接続方法を定義する topol dict が含まれていることに注意してください。

              ## Cell types
PYRcell = {'secs': {}}

PYRcell['secs']['soma'] = {'geom': {}, 'mechs': {}}
PYRcell['secs']['soma']['geom'] = {'diam': 18.8, 'L': 18.8, 'Ra': 123.0}
PYRcell['secs']['soma']['mechs']['hh'] = {'gnabar': 0.12, 'gkbar': 0.036, 'gl': 0.003, 'el': -70}

PYRcell['secs']['dend'] = {'geom': {}, 'topol': {}, 'mechs': {}}
PYRcell['secs']['dend']['geom'] = {'diam': 5.0, 'L': 150.0, 'Ra': 150.0, 'cm': 1}
PYRcell['secs']['dend']['topol'] = {'parentSec': 'soma', 'parentX': 1.0, 'childX': 0}
PYRcell['secs']['dend']['mechs']['pas'] = {'g': 0.0000357, 'e': -70}

netParams.cellParams['PYR'] = PYRcell


            

次のように dict エントリ 'sec': 'dend' を追加することで、接続ルールを更新して、S セルが M セルの樹状突起に接続するように指定することもできます。

              netParams.connParams['S->M'] = {  #  S -> M
        'preConds': {'pop': 'S'},     # presynaptic conditions
        'postConds': {'pop': 'M'},    # postsynaptic conditions
        'probability': 0.5,           # probability of connection
        'weight': 0.01,               # synaptic weight
        'delay': 5,                   # transmission delay (ms)
        'sec': 'dend',                # section to connect to
        'loc': 1.0,                   # location of synapse
        'synMech': 'exc'}             # target synaptic mechanism


            

この例の完全なチュートリアルコードは、tut3.py から入手できます。

ネットワークを実行すると、新しい樹状コンパートメントが発火率を低下させる効果があることが観察されます。

チュートリアル 4: 単純化されたセルモデルの使用 (Izhikevich)

大規模なシミュレーションを扱う場合、速度を上げるために、一部の集団に対してより単純なセルモデルを使用すると便利な場合があります。ここでは、感覚 (S) 集団内の細胞のみを対象として、HH モデルをより単純な Izhikevich 細胞モデルに置き換えます。

最初のステップは、Izhi2007b ポイントプロセスメカニズムを含む Izhikevich セル NEURON NMODL ファイルをダウンロードすることです: izhi2007b.mod

次に、この .mod ファイルをコンパイルして、NEURON で使用できるようにする必要があります。チュートリアルと MOD ファイルをダウンロードしたディレクトリに移動し、次のコマンドを実行します。

nrnivmodl

次に、HH セルタイプの名前を変更し、Izhikevich セル用の新しいセルタイプを作成します。

              ## Cell types
PYR_HH = {'secs': {}}
PYR_HH['secs']['soma'] = {'geom': {}, 'mechs': {}}                                                    # soma params dict
PYR_HH['secs']['soma']['geom'] = {'diam': 18.8, 'L': 18.8, 'Ra': 123.0}                               # soma geometry
PYR_HH['secs']['soma']['mechs']['hh'] = {'gnabar': 0.12, 'gkbar': 0.036, 'gl': 0.003, 'el': -70}      # soma hh mechanisms
PYR_HH['secs']['dend'] = {'geom': {}, 'topol': {}, 'mechs': {}}                                       # dend params dict
PYR_HH['secs']['dend']['geom'] = {'diam': 5.0, 'L': 150.0, 'Ra': 150.0, 'cm': 1}                      # dend geometry
PYR_HH['secs']['dend']['topol'] = {'parentSec': 'soma', 'parentX': 1.0, 'childX': 0}                  # dend topology
PYR_HH['secs']['dend']['mechs']['pas'] = {'g': 0.0000357, 'e': -70}                                   # dend mechanisms
netParams.cellParams['PYR_HH'] = PYR_HH                                                               # add dict to list of cell parameters

PYR_Izhi = {'secs': {}}
PYR_Izhi['secs']['soma'] = {'geom': {}, 'pointps': {}}                        # soma params dict
PYR_Izhi['secs']['soma']['geom'] = {'diam': 10.0, 'L': 10.0, 'cm': 31.831}    # soma geometry
PYR_Izhi['secs']['soma']['pointps']['Izhi'] = {                               # soma Izhikevich properties
        'mod':'Izhi2007b',
        'C':1,
        'k':0.7,
        'vr':-60,
        'vt':-40,
        'vpeak':35,
        'a':0.03,
        'b':-2,
        'c':-50,
        'd':100,
        'celltype':1}
netParams.cellParams['PYR_Izhi'] = PYR_Izhi                                   # add dict to list of cell parameters


            

soma 内に pointps という新しいフィールドが追加されていることに注目してください。このフィールドには、このセクションのポイントプロセスメカニズムが含まれます。この場合、Izhi2007b ポイントプロセスを追加し、ピラミッド型の規則的なスパイクセルに対応する Izhikevich セルパラメーターを含む辞書を提供しました。 Izhikevich セルモデルの詳細とその他のパラメーターは、こちらでご覧いただけます。

次に、S 母集団に対して PYR_Izhi cellType を使用することを指定する必要があります。

              netParams.popParams['S'] = {'cellType': 'PYR_Izhi', 'numCells': 20}
netParams.popParams['M'] = {'cellType': 'PYR_HH', 'numCells': 20}

おめでとうございます。これで、HH セルと Izhikevich セルで構成されるハイブリッドモデルが完成しました。既存または新規の集団で使用される細胞モデルを簡単に変更することもできます。

この例の完全なチュートリアルコードは、tut4.py から入手できます。

こちらも参照

NetPyNE は、他のファイル (hoc セルテンプレートや Python クラスなど) で定義されたセルのインポートもサポートしています。詳細と例については、外部定義セルモデルのインポートを参照してください。

チュートリアル 5: 位置および距離ベースの接続

次の例は、集団を空間的に分離し、抑制集団を追加し、セルの位置または距離に依存する重み、接続確率、および遅延を実装する方法を示します。

2/3、4、5 の 3 つの層に分散された 6 つの集団 (3 つの興奮性と 3 つの抑制性) を持つ皮質のようなネットワークを構築します。tut5.py という新しい空のファイルを作成し、必要なコードを追加しましょう。

セルを空間的に分散させたいので、最初に行う必要があるのは、セルが配置されるボリュームの寸法を定義することです。慣例により、X と Z は水平方向または横方向の寸法、Y は垂直方向の寸法 (この場合は皮質の深さを表す) とみなされます。体積が 100x1000x100 um (つまり、水平方向の広がりが 100x100 um、皮質の深さが 1000um) の直方体を定義するには、次のように sizeX、sizeY、および sizeZ ネットワークパラメーターを使用できます。

              # Network parameters
netParams = specs.NetParams()     # object of class NetParams to store the network parameters

netParams.sizeX = 100             # x-dimension (horizontal length) size in um
netParams.sizeY = 1000            # y-dimension (vertical height or cortical depth) size in um
netParams.sizeZ = 100             # z-dimension (horizontal length) size in um
netParams.propVelocity = 100.0    # propagation velocity (um/ms)
netParams.probLengthConst = 150.0 # length constant for conn probability (um)


            

2 つのパラメーター (propVelocity と probLengthConst) も追加したことに注意してください。これらは後で接続ルールに使用します。

次に、各タイプの細胞の細胞特性を定義します (「E」は興奮性、「I」は抑制性)。異なるセルタイプが異なるプロパティを持つ可能性があることを示すために、いくつかのセルパラメータにランダムな小さな変更を加えました。

              ## Cell types
secs = {} # sections dict
secs['soma'] = {'geom': {}, 'mechs': {}}                                                # soma params dict
secs['soma']['geom'] = {'diam': 15, 'L': 14, 'Ra': 120.0}                               # soma geometry
secs['soma']['mechs']['hh'] = {'gnabar': 0.13, 'gkbar': 0.036, 'gl': 0.003, 'el': -70}  # soma hh mechanism
netParams.cellParams['E'] = {'secs': secs}                                              # add dict to list of cell params

secs = {} # sections dict
secs['soma'] = {'geom': {}, 'mechs': {}}                                                # soma params dict
secs['soma']['geom'] = {'diam': 10.0, 'L': 9.0, 'Ra': 110.0}                            # soma geometry
secs['soma']['mechs']['hh'] = {'gnabar': 0.11, 'gkbar': 0.036, 'gl': 0.003, 'el': -70}  # soma hh mechanism
netParams.cellParams['I'] = {'secs': secs}                                              # add dict to list of cell params


            

次に、バックグラウンド入力集団と、細胞の種類と層に従ってラベル付けされた 6 つの皮質集団を作成できます。層 2 の興奮性細胞の「E2」。yRange パラメーターを使用して、各集団の皮質深さの範囲を定義できます。レイヤー 2 セルを 100 ～ 300 um の深さに配置するには: 'yRange': [100,300]。この範囲は、正規化された値を使用して指定することもできます。 'yRange': [0.1,0.3]。以下のコードでは、説明のために両方のメソッドの例を示しています。

              ## Population parameters
netParams.popParams['E2'] = {'cellType': 'E', 'numCells': 50, 'yRange': [100,300]}
netParams.popParams['I2'] = {'cellType': 'I', 'numCells': 50, 'yRange': [100,300]}
netParams.popParams['E4'] = {'cellType': 'E', 'numCells': 50, 'yRange': [300,600]}
netParams.popParams['I4'] = {'cellType': 'I', 'numCells': 50, 'yRange': [300,600]}
netParams.popParams['E5'] = {'cellType': 'E', 'numCells': 50, 'ynormRange': [0.6,1.0]}
netParams.popParams['I5'] = {'cellType': 'I', 'numCells': 50, 'ynormRange': [0.6,1.0]}


            

前の例と同様に、興奮性および抑制性のシナプス機構のパラメーターも追加します。これらは、接続の作成時にセルに追加されます。

              ## Synaptic mechanism parameters
netParams.synMechParams['exc'] = {'mod': 'Exp2Syn', 'tau1': 0.8, 'tau2': 5.3, 'e': 0}  # NMDA synaptic mechanism
netParams.synMechParams['inh'] = {'mod': 'Exp2Syn', 'tau1': 0.6, 'tau2': 8.5, 'e': -75}  # GABA synaptic mechanism

刺激に関しては、ネットワーク内のすべてのセルにバックグラウンド入力を追加します。重みは 0.01 に固定されますが、平均 5 ミリ秒、標準偏差 2 のガウス分布から遅延を取得し、最小値を 1 ミリ秒にします。これは、文字列ベースの関数 'max(1, normal(5,2)' を使用して行うことができます。文字列としての関数セクションで詳しく説明されているように、文字列ベースの関数を使用すると、多くの Python 数学演算子と関数を使用して接続パラメーターを定義できます。バックグラウンド刺激を追加する完全なコードは次のようになります。

              # Stimulation parameters
netParams.stimSourceParams['bkg'] = {'type': 'NetStim', 'rate': 20, 'noise': 0.3}
netParams.stimTargetParams['bkg->all'] = {'source': 'bkg', 'conds': {'cellType': ['E','I']}, 'weight': 0.01, 'delay': 'max(1, normal(5,2))', 'synMech': 'exc'}

これで、標準のシミュレーション構成オプションと、ネットワークを作成して実行するためのコードを追加できるようになりました。各興奮性集団の 1 つの細胞の電圧トレースを記録してプロットすることを選択したことに注目してください。 ({'include': [('E2',0), ('E4', 0), ('E5', 5)]}))、細胞の皮質深さに基づいて順序付けされたラスター ({'orderBy': 'y', 'orderInverse':Q True})) をプロットし、細胞の位置と接続の 2D 視覚化を表示し、接続性マトリックスをプロットします。

              # Simulation options
simConfig = specs.SimConfig()        # object of class SimConfig to store simulation configuration

simConfig.duration = 1*1e3           # Duration of the simulation, in ms
simConfig.dt = 0.05                  # Internal integration timestep to use
simConfig.verbose = False            # Show detailed messages
simConfig.recordTraces = {'V_soma':{'sec':'soma','loc':0.5,'var':'v'}}  # Dict with traces to record
simConfig.recordStep = 1             # Step size in ms to save data (e.g. V traces, LFP, etc)
simConfig.filename = 'tut5'          # Set file output name
simConfig.savePickle = False         # Save params, network and sim output to pickle file

simConfig.analysis['plotRaster'] = {'orderBy': 'y', 'orderInverse': True, 'saveFig': True}         # Plot a raster
simConfig.analysis['plotTraces'] = {'include': [('E2',0), ('E4', 0), ('E5', 5)], 'saveFig': True}  # Plot recorded traces for this list of cells
simConfig.analysis['plot2Dnet'] = {'saveFig': True}                                                # plot 2D cell positions and connections
simConfig.analysis['plotConn'] = {'saveFig': True}                                                 # plot connectivity matrix

# Create network and run simulation
sim.createSimulateAnalyze(netParams = netParams, simConfig = simConfig)


            

この時点でモデルを実行すると、指定どおりにセルが 3 つのレイヤーに分散されており、バックグラウンド入力によって駆動される平均レート 20 Hz ですべてランダムにスパイクしていることがわかります。

次に、NetPyNE の機能を説明するために、いくつかの空間依存プロパティを持つ興奮的な接続を追加してみましょう。まず、コード 'postConds': {'y': [100,1000]} を使用して、興奮性細胞が皮質深さ 100 および 1000 um 内のすべての細胞をターゲットにするように指定しましょう。

次に、接続の重みを細胞の皮質の深さに比例させましょう。つまり、より深い層のシナプス後細胞は、表層の細胞よりも強い接続を受けます。これを行うために、NetPyNE が文字列ベースの関数で使用できるようにする距離関連の変数を利用します。この場合、post_ynorm は、シナプス後細胞の正規化された y 位置を表します。使用可能な変数の完全なリストについては、文字列としての関数を参照してください。

最後に、'delay': 'dist_3D/propVelocity' のように、セル間の距離 (dist_3D) と伝播速度 (コードの先頭にパラメーターとして指定) に基づいて遅延を指定できます。この接続ルールの完全なコードは次のとおりです。

              netParams.connParams['E->all'] = {
  'preConds': {'cellType': 'E'}, 'postConds': {'y': [100,1000]},  #  E -> all (100-1000 um)
  'probability': 0.1 ,                  # probability of connection
  'weight': '0.005*post_ynorm',         # synaptic weight
  'delay': 'dist_3D/propVelocity',      # transmission delay (ms)
  'synMech': 'exc'}                     # synaptic mechanism


            

モデルを実行すると、興奮性の接続が赤で表示され、脱分極の遮断につながる重みの増加により、より深い層 (y 値が高い) の細胞がより低いレートとより高い同期を示す様子が示されます。この違いは、レイヤー 2 セルとレイヤー 5 セルの電圧トレースにも見られます。

最後に、説明の目的で、ここでは pop 属性を使用して指定された、興奮性細胞にのみ投影される抑制性の接続を追加します (同等のルールは、'postConds': {'cellType': 'E'} になります)。

接続の確率を、指定された長さの定数 (probLengthConst) で距離の関数として指数関数的に減衰させるには、距離ベースの式 'probability': '0.4*exp(-dist_3D/probLengthConst)' を使用できます。したがって、抑制的な接続ルールのコードは次のようになります。

              netParams.connParams['I->E'] = {                          # I -> E
        'preConds': {'cellType': 'I'},                        # presynaptic conditions
        'postConds': {'pop': ['E2','E4','E5']},               # postsynaptic conditions
        'probability': '0.4*exp(-dist_3D/probLengthConst)',   # probability of connection
        'weight': 0.001,                                      # synaptic weight
        'delay': 'dist_3D/propVelocity',                      # transmission delay (ms)
        'synMech': 'inh'}                                     # synaptic mechanism


            

2D ネットワーク図では、抑制性の接続が青色で表示されており、距離に関連する確率の制限により、これらはほとんどが層内のローカル/ラテラルにあることに注意してください。これらの局所的な抑制的な接続により全体の同期性が低下し、ネットワークの一時的な発火パターンに豊かさが導入されます。

この例の完全なチュートリアルコードは、tut5.py から入手できます。

チュートリアル 6: ネットワークに刺激を追加する

細胞刺激パラメータを指定するために 2 つの辞書構造が使用されます。stimSourceParams は刺激源のパラメータを定義します。および stimTargetParams は、どのセルにどのような刺激源を適用するかを指定します (ソースのセルへのマッピング)。詳細については、刺激パラメータを参照してください。

この例では、tut2.py の単純なネットワークを開始点として使用し、すべての接続パラメーターを削除し、代わりに外部刺激を追加します。

以下に、それぞれ異なるタイプの 4 つの典型的な NEURON 刺激源 (IClamp、VClamp、AlphaSynapse、NetStim) を追加します。パラメーター値には、たとえばオンセット値の均一な分布 ('onset': 'uniform(600,800)') や、ターゲットセルの正規化された深さ ('gmax': 'post_ynorm'):

              netParams.stimSourceParams['Input_1'] = {'type': 'IClamp', 'del': 300, 'dur': 100, 'amp': 'uniform(0.4,0.5)'}
netParams.stimSourceParams['Input_2'] = {'type': 'VClamp', 'dur': [0,50,200], 'amp': [-60,-30,40], 'gain': 1e5, 'rstim': 1, 'tau1': 0.1, 'tau2': 0}
netParams.stimSourceParams['Input_3'] = {'type': 'AlphaSynapse', 'onset': 'uniform(300,600)', 'tau': 5, 'gmax': 'post_ynorm', 'e': 0}
netParams.stimSourceParams['Input_4'] = {'type': 'NetStim', 'interval': 'uniform(20,100)', 'number': 1000, 'start': 600, 'noise': 0.1}

stimTargetParams dict に項目を追加することで、上記の刺激源のいずれかをネットワーク内のセルのサブセットにマッピングまたは適用できるようになりました。任意のセルタグ (「pop」、「cellType」、または「ynorm」など) を使用して、どのセルを刺激するかを選択できることに注意してください。さらに、「cellList」オプションを使用すると、選択したセルのサブセット（例：「S」集団の最初の 15 個のセル）内のセルの特定のリスト（相対セル ID を使用）をターゲットにすることができます。

              netParams.stimTargetParams['Input_1->S'] = {'source': 'Input_1', 'sec':'soma', 'loc': 0.8, 'conds': {'pop':'S', 'cellList': range(15)}}
netParams.stimTargetParams['Input_2->S'] = {'source': 'Input_2', 'sec':'soma', 'loc': 0.5, 'conds': {'pop':'S', 'ynorm': [0,0.5]}}
netParams.stimTargetParams['Input_3->M1'] = {'source': 'Input_3', 'sec':'soma', 'loc': 0.2, 'conds': {'pop':'M', 'cellList': [2,4,5,8,10,15,19]}}
netParams.stimTargetParams['Input_4->PYR'] = {'source': 'Input_4', 'sec':'soma', 'loc': 0.5, 'weight': '0.1+normal(0.2,0.05)','delay': 1, 'conds': {'cellType':'PYR', 'ynorm': [0.6,1.0]}}

注記

NetStim を各ターゲットセルにマッピング/適用するために新しい接続が作成されるため、NetStims の stimTargetParams には接続パラメータ (重みや遅延など) が必要です。

注記

NetStims は、上記の方法 (刺激として) を使用するか、'cellModel': 'NetStim' で母集団を作成して適切な接続を追加することによって追加できます。

さまざまなタイプの刺激を使用して上記のネットワークを実行すると、次のラスターが生成されるはずです。

この例の完全なチュートリアルコードは、tut6.py から入手できます。

チュートリアル 7: インスタンス化されたネットワークを対話的に変更する

この例は、ネットワークモデルと NEURON オブジェクトを含む NetPyNE で生成された構造を直接操作したいと考えている経験豊富なユーザーを対象としています。セルが全対全に接続され、相互抑制により発火が同期するホップフィールド-ブロディネットワークをモデル化します (他のセルからの抑制によりリセットが提供され、セルが一緒にロックされます)。同期のレベルは、対話的に変更する接続の重みによって異なります。

まず、50 個のセルからなる 1 つの母集団 (hop) と 50 Hz のバックグラウンド入力を持つ単純なネットワークを記述する新しいファイル (tut7.py) を作成します (前の簡単なチュートリアルの例 tut2.py と同様)。 hop 母集団内に全対全抑制結合を作成しますが、最初は重みを 0 に設定します。

              from netpyne import specs

###############################################################################
# NETWORK PARAMETERS
###############################################################################

netParams = specs.NetParams()  # object of class NetParams to store the network parameters

# Cell parameters
## PYR cell properties
secs = {}
secs['soma'] = {'geom': {}, 'topol': {}, 'mechs': {}}
secs['soma']['geom'] = {'diam': 18.8, 'L': 18.8}
secs['soma']['mechs']['hh'] = {'gnabar': 0.12, 'gkbar': 0.036, 'gl': 0.003, 'el': -70}
netParams.cellParams['PYR'] = {'secs': secs}  # add dict to list of cell properties

# Population parameters
netParams.popParams['hop'] = {'cellType': 'PYR', 'cellModel': 'HH', 'numCells': 50}      # add dict with params for this pop
#netParams.popParams['background'] = {'cellModel': 'NetStim', 'rate': 50, 'noise': 0.5}  # background inputs

# Synaptic mechanism parameters
netParams.synMechParams['exc'] = {'mod': 'Exp2Syn', 'tau1': 0.1, 'tau2': 1.0, 'e': 0}
netParams.synMechParams['inh'] = {'mod': 'Exp2Syn', 'tau1': 0.1, 'tau2': 1.0, 'e': -80}

# Stimulation parameters
netParams.stimSourceParams['bkg'] = {'type': 'NetStim', 'rate': 50, 'noise': 0.5}
netParams.stimTargetParams['bkg->all'] = {'source': 'bkg', 'conds': {'pop': 'hop'}, 'weight': 0.1, 'delay': 1, 'synMech': 'exc'}

# Connectivity parameters
netParams.connParams['hop->hop'] = {
        'preConds': {'pop': 'hop'},         # presynaptic conditions
        'postConds': {'pop': 'hop'},        # postsynaptic conditions
        'weight': 0.0,                      # weight of each connection
        'synMech': 'inh',                   # target inh synapse
        'delay': 5}                         # delay


            

ここで、標準のシミュレーション構成オプションを追加し、syncLines オプションを含めて、ラスタープロットに同期性を示す各スパイクで垂直線が表示されるようにします。

              ###############################################################################
# SIMULATION PARAMETERS
###############################################################################
simConfig = specs.SimConfig()  # object of class SimConfig to store simulation configuration

# Simulation options
simConfig.duration = 0.5*1e3        # Duration of the simulation, in ms
simConfig.dt = 0.025                # Internal integration timestep to use
simConfig.verbose = False           # Show detailed messages
simConfig.recordTraces = {'V_soma':{'sec':'soma','loc':0.5,'var':'v'}}  # Dict with traces to record
simConfig.recordStep = 1            # Step size in ms to save data (eg. V traces, LFP, etc)
simConfig.filename = 'model_output' # Set file output name
simConfig.savePickle = False        # Save params, network and sim output to pickle file

simConfig.analysis['plotRaster'] = {'syncLines': True, 'saveFig': True}      # Plot a raster
simConfig.analysis['plotTraces'] = {'include': [1], 'saveFig': True}         # Plot recorded traces for this list of cells
simConfig.analysis['plot2Dnet'] = {'saveFig': True}                          # plot 2D cell positions and connections


            

最後に、ネットワークを作成してシミュレーションを実行するコードを追加しますが、説明のために、プロセスの各ステップで個別の関数呼び出しを使用します (前に使用した包括的な sim.createAndSimulate() 関数の代わりに)。

              ###############################################################################
# EXECUTION CODE (via netpyne)
###############################################################################
from netpyne import sim

# Create network and run simulation
sim.initialize(                     # create network object and set cfg and net params
        simConfig = simConfig,          # pass simulation config and network params as arguments
        netParams = netParams)
sim.net.createPops()                # instantiate network populations
sim.net.createCells()               # instantiate network cells based on defined populations
sim.net.connectCells()              # create connections between cells based on params
sim.net.addStims()                  # add stimulation
sim.setupRecording()                # setup variables to record for each cell (spikes, V traces, etc)
sim.runSim()                        # run parallel Neuron simulation
sim.gatherData()                    # gather spiking data and cell info from each node
sim.saveData()                      # save params, cell info and sim output to file (pickle,mat,txt,etc)
sim.analysis.plotData()             # plot spike raster


            

上記のコードを実行すると、結果として得られるネットワーク 2D マップには抑制的な接続が青色で表示されますが、重みが 0 であるため、これらはまだ何の影響もありません。ラスタープロットは、50 Hz のバックグラウンド入力によって駆動されるランダムな発火と、0.26 の低い同期測定を示しています (赤い垂直線は同期性の悪さを示しています)。

注記

これで、すべてのセルと接続のメタデータ、および関連する NEURON オブジェクト (セクション、ネットコンなど) を含むインスタンス化されたネットワークにアクセスできるようになります。 sim オブジェクトには net オブジェクトが含まれており、このオブジェクトには cells という Cell オブジェクトのリストが含まれています。各 Cell オブジェクトには、タグ (tags)、セクション (secs)、接続 (conns)、および外部入力 (stims) を含む構造が含まれています。 NEURON オブジェクトは、この Python 階層構造内に含まれています。詳細については、NetPyNE データモデル (インスタンス化されたネットワークと出力データの構造) を参照してください。

注記

人口オブジェクトのリストは sim.net.pops から入手できます。各オブジェクトには、この集団に属するセルのすべての gid を含むリスト cellGids と、集団プロパティを含む辞書 tags が含まれます。

注記

スパイクデータは sim.allSimData['spkt'] および sim.allSimData['spkid'] 経由で入手できます。電圧トレースは、例えば次の方法で入手できます。 sim.allSimData['V']['cell_25'] (gid 25 のセルの場合)。

注記

すべてのシミュレーション構成オプションは、sim.cfg を介して対話的に変更できます。たとえば、2D 視覚化のプロットをオフにするには、次を実行します: sim.cfg.analysis['plot2Dnet']=False

NetPyNE によって生成されたインスタンス化されたネットワーク構造の表現を以下に示します。

ネットワークオブジェクト net は、セル、接続、および刺激パラメータを簡単に変更する機能も提供します:それぞれ modifyCells(params)、modifyConns(params)、および modifyStims(params)。 params 引数の構文は、最初にネットワークパラメータを設定するために使用される構文、つまり、設定する条件とパラメータを含む辞書に似ています。詳細については、ネットワーククラスメソッドを参照してください。

したがって、sim.net.modifyConns() 関数を呼び出して、抑制性接続のすべての重みを (たとえば 0.5 に) 増加させてから、対話的にシミュレーションを再実行できます。

              ###############################################################################
# INTERACTING WITH INSTANTIATED NETWORK
###############################################################################

# modify conn weights
sim.net.modifyConns({'conds': {'label': 'hop->hop'}, 'weight': 0.5})

sim.runSim()                          # run parallel Neuron simulation
sim.gatherData()                      # gather spiking data and cell info from each node
sim.saveData()                        # save params, cell info and sim output to file (pickle,mat,txt,etc)
sim.analysis.plotData()               # plot spike raster


            

注記

この条件では、以前に作成された再帰接続のセットを参照する hop->hop ラベルを使用しました。

結果のプロットは、相互抑制の増加によりネットワークアクティビティが同期し、同期測定値が 0.69 に増加することを示しています。

さらに、セルのプロパティの一部を変更して、これが同期性にどのような影響を与えるかを観察することもできます。以下のコードは、「ホップ」集団内のすべての細胞の細胞体長を 160 um に変更します。

              # modify cells geometry
sim.net.modifyCells({'conds': {'pop': 'hop'},
                    'secs': {'soma': {'geom': {'L': 160}}}})

sim.simulate()
sim.analysis.plotRaster(syncLines=True)
sim.analysis.plotTraces(include = [1])


            

注記

説明のために、単純に runSim() および gatherData() を呼び出す sim.simulate() ラッパーを使用します。さらに、sim.plotRaster() 関数と sim.plotTraces() 関数を対話的に呼び出します。

結果のプロットは、新しいセル形状による発火率の低下と同期性の増加を示しています。

この例の完全なチュートリアルコードは、tut7.py から入手できます。

チュートリアル 8: バッチシミュレーションの実行

ここでは、チュートリアル 2 の単純なネットワークを使用してバッチシミュレーションを実行する方法を説明します。バッチシミュレーションとは、特定の範囲内でいくつかのパラメーター値を変更し、これらのパラメーター値のすべての組み合わせに対してシミュレーションを自動的に実行することを意味します (グリッドパラメーター検索とも呼ばれます)。

最初に行う必要があるのは、tut2.py コードを 3 つの異なるファイルに分割することです。このような小さなモデルには必要ありませんが、これはより大規模で複雑なモデルには非常に役立ちます。ファイル構成は次のようになります (ダウンロードするにはファイル名をクリックします)。

tut8_netParams.py : ネットワークモデル (netParams オブジェクト) を定義します。セル、シナプス、接続、刺激などの「固定」パラメータ値が含まれます。このファイルへの変更は、モデルを比較的安定して改善する場合にのみ行う必要があります。モデルの探索または調整のために体系的に変更されるパラメーター値は、シミュレーション構成 (cfg) モジュールの適切な変数を参照することによってここに含める必要があります。シミュレーションの各バッチに必要な netParams ファイルは 1 つだけです。
tut8_cfg.py : シミュレーション構成 (simConfig オブジェクト)。期間、dt、記録パラメータなどの各シミュレーション実行のパラメータ値が含まれます。また、ネットワークの探索または調整のために変更されるモデルパラメータも含まれます。バッチを実行すると、NetPyNE はパラメータ設定ごとに 1 つの cfg ファイルを自動的に作成します (これを開始点として使用します)。
tut8_init.py : 単一シミュレーションを実行するコマンドのシーケンス。「python init.py」経由で実行できます。バッチを実行するとき、NetPyNE は init.py を複数回呼び出し、調査されたパラメータ設定ごとに異なる cfg ファイルを渡します。

バッチシミュレーションを制御するために新しいファイルを追加する必要もあります。

tut8_batch.py : シミュレーションのバッチで調査されるパラメーターとパラメーター値、実行構成 (MPI+Bulletin Board を使用するかどうかなど) を定義します。マルチコアマシン) または SLURM/PBS Torque (HPC 用))、およびバッチを実行するコマンド。

要約すると、netParams.py は固定 (ネットワーク) パラメーター、cfg.py は可変 (シミュレーション) パラメーター、init.py はシミュレーションを実行し、*batch.py はパラメーター値の組み合わせを調べるシミュレーションのバッチを実行します。

接続の重みとシナプスの減衰時定数がモーター集団の発火率にどのように影響するかを調査したいとします。最初のステップは、これらのパラメーターが可変になるように、つまりシミュレーションごとに異なるように tut8_netParams.py を変更することです。したがって、これらを固定値 (例: 5.0 や 0.01) から simConfig の変数に依存するように変更します: cfg.synMechTau2 および cfg.connWeight (簡単にするために simConfig の名前を cfg に変更したことに注意してください)。

              ...

## Synaptic mechanism parameters
netParams.synMechParams['exc'] = {'mod': 'Exp2Syn', 'tau1': 0.1, 'tau2': cfg.synMechTau2, 'e': 0}  # excitatory synaptic mechanism

...

## Cell connectivity rules
netParams.connParams['S->M'] = {    #  S -> M label
        'preConds': {'pop': 'S'},       # conditions of presyn cells
        'postConds': {'pop': 'M'},      # conditions of postsyn cells
        'probability': 0.5,             # probability of connection
        'weight': cfg.connWeight,       # synaptic weight
        'delay': 5,                     # transmission delay (ms)
        'synMech': 'exc'}               # synaptic mechanism


            

したがって、これら 2 つの変数が使用できるように、tut8_netParams.py を変更して cfg モジュールをインポートする必要もあります。コードはまず __main__ から cfg モジュールをロードしようとします。これは、ユーザーが最初に実行した親モジュール (この場合は tut8_init.py) を指します。前に述べたように、tut8_init.py は netParams と cfg の両方をロードし、シミュレーションを実行します。これが失敗した場合、コードは cfg ファイルから cfg を直接ロードします。これを実装するには、tut8_netParams.py の先頭に次の行を追加します。

              try:
        from __main__ import cfg  # import SimConfig object with params from parent module
except:
        from tut8_cfg import cfg  # if no simConfig in parent module, import directly from tut8_cfg module

次のステップでは、これら 2 つの変数を tut8_cfg.py に追加して、それらが存在し、netParams によって使用され、バッチシミュレーションで変更できるようにします。

              # Variable parameters (used in netParams)
cfg.synMechTau2 = 50
cfg.connWeight = 0.01

また、各母集団の平均発火率が画面に表示され、出力ファイルに保存されるように、次の行を tut8_cfg.py に追加することに注意してください。

cfg.printPopAvgRates = True

tut8_init.py には、tut2.py と比較して 3 行のみが含まれ、新しい行は 1 行だけ含まれます。この新しい行は、コマンドラインからの引数の読み取りを処理するメソッド readCmdLineArgs を呼び出します。 NetPyNE は、異なるパラメーターの組み合わせで複数の cfg ファイルを作成し、次の形式のコマンドライン引数を使用して実行するため、これはバッチシミュレーションを実行するために必要です。これは NetPyNE によってバックグラウンドで行われるため、心配する必要はありません。 tut8_init.py は次のようになります。

              from netpyne import sim

# read cfg and netParams from command line arguments if available; otherwise use default
simConfig, netParams = sim.readCmdLineArgs(simConfigDefault='tut8_cfg.py', netParamsDefault='tut8_netParams.py')

# Create network and run simulation
sim.createSimulateAnalyze(netParams=netParams, simConfig=simConfig)

この時点で、たとえば次のコマンドを使用してシミュレーションを実行できます。 python tut8_init.py とすると、チュートリアル 2 (tut2.py) と同じ結果が生成されるはずです。

次に、バッチシミュレーションに関連するすべての情報を含む tut8_batch.py を追加します。この特定のパラメーターの組み合わせを調べるために、関数 batchTauWeight を定義しました。後で他の同様の関数を定義して、他のバッチを作成することもできます。

最初に行うことは、順序付き辞書 params を作成することです。これは特別な NetPyNE タイプ (specs.ODict) になりますが、基本的には順序付き辞書のように動作します。次に、この辞書のキーとして探索するパラメーター (synMechTau2 および connWeight) を追加し、バッチシミュレーションで試すパラメーター値のリストを辞書キーとして追加します ([3.0, 5.0, 7.0])。 [0.005, 0.01, 0.15]。パラメータ名は、cfg で定義された変数と一致する必要があることに注意してください。

次に、NetPyNE クラス Batch のオブジェクト b を作成し、探索するパラメータと、netParams および simConfig モジュールを含むファイルを引数として渡します。最後に、出力ファイルの作成に使用されるバッチラベル ('tauWeight') など、Batch オブジェクトのいくつかの属性をカスタマイズします。データを保存するフォルダー ('tut8_data')、パラメーターの探索に使用されるメソッド ('grid')、つまりパラメーター値のすべての組み合わせ。そして、'mpi' (これは MPI と NEURON の掲示板を使用します。スーパーコンピューターには他のオプションが利用可能です) を使用することを示す実行構成、各 SIM を実行するための 'tut8_init.py'、および出力ファイルが既に存在する場合は 'skip' が実行されます。

最後に、バッチシミュレーションを起動するコマンド b.run() を追加するだけです。

tut8_batch.py は次のようになります。

              from netpyne import specs
from netpyne.batch import Batch

def batchTauWeight():
        # Create variable of type ordered dictionary (NetPyNE's customized version)
        params = specs.ODict()

        # fill in with parameters to explore and range of values (key has to coincide with a variable in simConfig)
        params['synMechTau2'] = [3.0, 5.0, 7.0]
        params['connWeight'] = [0.005, 0.01, 0.15]

        # create Batch object with parameters to modify, and specifying files to use
        b = Batch(params=params, cfgFile='tut8_cfg.py', netParamsFile='tut8_netParams.py',)

        # Set output folder, grid method (all param combinations), and run configuration
        b.batchLabel = 'tauWeight'
        b.saveFolder = 'tut8_data'
        b.method = 'grid'
        b.runCfg = {'type': 'mpi',
                                'script': 'tut8_init.py',
                                'skip': True}

        # Run batch simulations
        b.run()

# Main code
if __name__ == '__main__':
        batchTauWeight()


            

バッチシミュレーションを実行するには、MPI が適切にインストールされ、MPI を使用するように NEURON が設定されている必要があります。次のコマンドを実行します。 mpiexec -np [num_cores] nrniv -python -mpi tut8_batch.pyここで、[num_cores] は、使用するプロセッサの数に置き換える必要があります。ジョブ (マスターノード) をスケジュールするために使用されるため、最低限必要な値は 2 です。例えば4 つのプロセッサを選択した場合、1 つはジョブのスケジュールに使用され、他の 3 つは異なるパラメータの組み合わせで NEURON シミュレーションを実行します。

シミュレーションが完了すると、次のファイルを含む新しいフォルダー tut8_data が作成されます。

tauWeight_netParams.py: 使用される元の netParams ファイルのコピー (tut8_netParams.py)
tauWeight_batchScript.py: 使用された元のバッチファイルのコピー (tut8_batch.py)
tauWeight_batch.json: バッチパラメーターと使用される実行オプションを含む JSON ファイル。
パラメーターの組み合わせごとに (x、y はパラメーター値のインデックスを表します):

tauWeight_x_y_cfg.json: tut8_cfg.py からコピーされたすべての cfg 変数を含む JSON ファイルですが、バッチパラメーターのこの特定の組み合わせの synMechTau2 および connWeight の値が含まれています。

tauWeight_x_y.json: このバッチパラメーターの組み合わせの出力データを含む JSON ファイル。出力データには、デフォルトで netParams、net、simConfig、および simData が含まれます。

tauWeight_x_y_raster.png および tauWeight_x_y_traces.png: このパラメーターの組み合わせの数値を出力します。

出力データを分析するには、tut8_analysis.py をダウンロードできます。このファイルには、バッチシミュレーションの結果を示す行列を読み取ってプロットする関数が含まれています。このファイルには、Pandas および Seaborn パッケージが必要です。

注記

(tut8_analysis.py) の分析関数はすぐに NetPyNE に統合される予定なので、コードの詳細については説明しません。

python tut8_analysis.py を実行すると、調べた 2 つのパラメーターと M 母集団の発火率との関係を示すカラープロットが生成されます。

最初は接続重みの関数としてレートが増加しますが、その後、脱分極の遮断によりレートが減少することに注目してください。そして、シナプス時間減衰定数（synMechTau2）の影響が、細胞が正常にスパイクしているか遮断されているかにどのように依存するか。バッチシミュレーションと分析により、これらの複雑な相互作用の探索と理解が容易になります。

注記

より上級のユーザーのために、バッチを実行するときに NetPyNE が内部で行うことは次のとおりです。

netParams.py (または指定されたファイル) をバッチデータフォルダーにコピーします。
cfg.py (または指定されたファイル) から cfg (SimConfig オブジェクト) をロードします。
パラメータの組み合わせを繰り返します。

3a) Modify cfg (SimConfig object) with the parameter values

3b) Save cfg to .json file

3c) Run simulation by passing netParams.py and cfg.json files as arguments; this means the code in netParams.py is executed each time but cfg is just a set of fixed saved values.

こちらも参照

Batch クラスで使用できるオプションの完全な説明は、間もなくユーザードキュメントで公開される予定です。

チュートリアル 9: LFP の記録とプロット

単一セルおよびネットワークの局所電場電位 (LFP) を記録および分析する方法の例は、サンプルフォルダー LFP 記録サンプルに含まれています。 LFP 記録は並列シミュレーションでも機能します。

LFP を記録するには、simConfig 属性の RecordLFP に LFP 電極の 3D 位置のリストを設定するだけです。 simConfig.recordLFP = e.g. [[50, 100, 50], [50, 200, 50]] (y 座標は深さを表すため、プロットすると負の値として表されることに注意してください)。各電極の LFP 信号は、各ニューロンの各セグメントによって寄与される細胞外電位を合計することによって得られます。細胞外電位は、「線源近似」を使用し、導電率シグマ = 0.3 mS/mm のオーミック媒体を仮定して計算されます。 LFP のモデリングの詳細については、Scholarpedia またはこの記事を参照してください。

記録された LFP 信号は、サイズ timeSteps * numElectrodes の 2D リストとして sim.allSimData['LFP'] に保存されます。 sim.allSimData[‘LFP’][10][2]` corresponds to the LFP value of electrode 2 at time step 10. It is possible to record the LFP signal generated by each individual cell by setting simConfig.saveLFPCells = True – this will be stored in sim.allSimData['LFPCells'] をサイズセル * timeSteps * numElectrodes の 3D リストとして表現します。

LFP をプロットするには、sim.analysis.plotLFP() メソッドを使用します。これにより、各電極について、1) 時間分解 LFP 信号 (「timeSeries」)、2) パワースペクトル密度 (「PSD」)、3) スペクトログラム / 時間周波数プロファイル (「スペクトログラム」)、4) およびモデルニューロン上に重ねられた電極の 3D 位置 (「位置」) をプロットすることができます。 plotLFP() 引数の完全なリストについては、分析関連関数を参照してください。

最初の例は、700 以上のコンパートメント (セグメント) と複数の体細胞および樹状イオンチャネルを持つ単一細胞 (M1 皮質脊髄ニューロン) の LFP 記録を示しています。セルのパラメーターは .json ファイルからロードされます。細胞は、興奮性シナプスを介して細胞体に NetStim 入力を受け取ります。 10 個の LFP 電極がニューロンの両側の 5 つの異なる皮質深さに配置されます。細胞体電圧、LFP 時間分解信号、および電極の 3D 位置がプロットされます。

2 番目の例は、チュートリアル 5 で示したものと非常によく似たネットワークの LFP 記録を示しています。ただし、この場合、細胞はより現実的なモデル、つまり複数のイオンチャネルを持つ 6 コンパートメントの M1 皮質線条体ニューロンに置き換えられています。セルのパラメーターは .json ファイルからロードされます。細胞は NetStim 入力を受け取り、興奮性および抑制性の接続を含みます。 4 つの LFP 電極が異なる皮質深さに配置されます。ラスタープロットと LFP 時間分解信号、PSD、スペクトログラム、および電極の 3D 位置がプロットされます。

チュートリアル 10: 反応拡散を使用したネットワーク (RxD)

NetPyNE の高レベル仕様は、NEURON の反応拡散 (RxD) コンポーネントもサポートしています。 RxD を使用すると、分子 (カルシウム、カリウム、IP3 など) の細胞内、細胞内 (小胞体やミトコンドリアなどの細胞小器官を含む)、細胞外での拡散 (代謝、リン酸化、緩衝、セカンドメッセンジャーカスケードなど) のシグナル伝達と酵素処理の状況を指定できます。これは、分子レベルの化学生理学を、細胞内、細胞、およびネットワークスケールでの古典的な電気生理学に結び付けるのに役立ちます。

netParams.rxdParams 辞書を使用して、さまざまな RxD コンポーネント (regions、species、states、reactions、multicompartmentReactions、および rates) を定義できます。単一セルおよびネットワーク内の RxD コンポーネントを含むサンプルモデルは、サンプルフォルダーに含まれています: RxD バッファリング example および RxD ネットワーク example。 RxD は並列シミュレーションでも動作します。

こちらも参照

NetPyNE で使用できるすべての機能の包括的な説明については、ユーザードキュメントを参照してください。

NetPyNE docs: NetPyNE チュートリアル

NetPyNE チュートリアル

チュートリアル 1: 簡単な例

チュートリアル 2: ネットワーク パラメーター

セルの種類

人口

シナプス機構パラメータ

刺激

接続ルール

シミュレーション構成オプション

ネットワークの作成とシミュレーション

チュートリアル 3: セルにコンパートメント (樹状突起) を追加する

チュートリアル 4: 単純化されたセル モデルの使用 (Izhikevich)

チュートリアル 5: 位置および距離ベースの接続

チュートリアル 6: ネットワークに刺激を追加する

チュートリアル 7: インスタンス化されたネットワークを対話的に変更する

チュートリアル 8: バッチ シミュレーションの実行

チュートリアル 9: LFP の記録とプロット

チュートリアル 10: 反応拡散を使用したネットワーク (RxD)

チュートリアル 2: ネットワークパラメーター

チュートリアル 4: 単純化されたセルモデルの使用 (Izhikevich)

チュートリアル 8: バッチシミュレーションの実行