论文题目：Introducing the Dendrify framework for incorporating dendrites to spiking neural networks

论文来源：Nature Communications

论文地址：https://www.nature.com/articles/s41467-022-35747-8

计算模型对于理解亚细胞神经元特征如何影响环路处理是不可或缺的。然而，树突状计算在网络尺度操作中的作用仍充满未知。其中部分原因是现有的工具不允许开发考虑到树突的可行、有效的网络模型。当前的脉冲神经网络虽然高效，但通常都很简单，忽略了基本的树突特性。相反，具有形态学细节的神经元模型的环路模型在计算上是昂贵的，因此大型的网络模拟是不切实际的。

为了弥合这两个极端之间的差距，并促进脉冲神经网络中树状特征的运用，Nature Communications 的这项新研究引入了 Dendrify——一个基于 Brian 2 的开源 Python 包。Dendrify 通过简单的命令，自动生成具有简化但与生物学相关的树突和突出综合特性的简化的区室神经元模型（compartmental neuron models）。这个模型在灵活性、性能和生物学准确性之间取得了很好的平衡，使我们能够探索树突对网络尺度功能的贡献，同时为开发更强大的神经形态系统铺平了道路。

图1. 树突化的主要特征

图2. 一个能复现活跃树突特性的简化区室模型