Debian Science Modeling of neural systems packages

NEURON er et simuleringsmiljø til modellering af individuelle neuroner og netværk af neuroner. Det tilbyder værktøjer til nem bygning, håndtering og brug af modeller på en måde, der er numerisk fornuftig og beregningsmæssig effektiv. Det er specielt velegnet til problemer, der er tæt forbundet med eksperimentelle data, specielt dem der involverer celler med komplekse anatomiske og biofysiske egenskaber.

NEURON tilbyder

• »naturlig syntaks«, der gør det muligt at specificere modelegenskaber i kendte idiomer
• effektiv og smerteløs delvis og midlertidig diskretisering
• flere forskellige, brugervalgte numeriske integreringsmetoder
• nem brugerflade (fortolkere + grafisk brugerflade)
• bibliotek med biofysiske mekanismer der kan udvides af brugeren

Brian er en ur-drevet simulator for spikingneurale netværk. Det er designet med vægt på fleksibilitet og udvidelse, for hurtig udvikling og raffinement af neurale modeller. Neuronmodeller er specificeret af sæt af brugerangivne differentialligninger, tærskelbetingelser og nulstillingsbetingelser (givet som strenge). Fokus er primært på netværk med »single compartment neuron«-modeller (f.eks. leaky integrate-and-fire- eller Hodgkin-Huxley-neuroner). Inkluderede funktioner:

• et system for angivelse af kvantiteter med fysiske dimensioner
• præcis numerisk integration for lineære differentialligninger
• Euler, Runge-Kutta og eksponentiel Eulerintegration for ikkelineære differentialligninger
• synaptiske forbindelser med forsinkelser
• korttids og langtids plasticitet (spike-timing-afhængig plasticitet)
• et bibliotek med modelkomponenter, inklusive integrate-and-fire ligninger, synapser og ionic-strømme
• en værktøjskasse for automatisk tilpasning af spiking neuron-modeller til elektrofysiologiske optagelser

PyNN gør det muligt at kode en model på en gang og afvikle den uden ændring på enhver simulator, som PyNN understøtter (i øjeblikket NEURON, NEST, PCSIM og Brian). PyNN oversætter cellemodelnavne og parameternavne til simulatorspecifikke navne.

XPPAUT er et værktøj til løsning af

• Differentialligninger
• Differensligninger
• Forsinkelsesligninger
• Funktionelle ligninger,
• Grænseværdiproblemer, og
• Stokastiske ligninger

Koden samler et antal nyttige algoritmer og er ekstrem flytbar. Al grafikken og grænsefladen er skrevet helt i Xlib, hvilket forklarer den noget idiosynkratiske og primitive kontrolgrænseflade.

NEST is a simulation system for large networks of biologically realistic point-neurons and neurons with a small number of electrical compartments.

PCSIM is a tool for simulating heterogeneous networks composed of different model neurons and synapses. This simulator is written in C++ with a primary interface to the programming language Python. It is intended to simulate networks containing up to millions of neurons and on the order of billions of synapses. This is achieved by distributing the network over different nodes of a computing cluster by using MPI.

The iLab Neuromorphic Vision C++ Toolkit (iNVT, pronounced ``invent'') is a comprehensive set of C++ classes for the development of neuromorphic models of vision. Neuromorphic models are computational neuroscience algorithms whose architecture and function is closely inspired from biological brains. The iLab Neuromorphic Vision C++ Toolkit comprises not only base classes for images, neurons, and brain areas, but also fully-developed models such as our model of bottom-up visual attention and of Bayesian surprise.

Features at a glance:

• Low-level neural network simulation classes.
• High-level neuromorphic classes.
• Neuromorphic models of visual attention.
• Hardware interfacing
• Parallel processing classes for the simulation of complex models.
• Neuromorphic modeling environment.

MOOSE is the Multiscale Object-Oriented Simulation Environment. It is the base and numerical core for large, detailed simulations including Computational Neuroscience and Systems Biology. MOOSE spans the range from single molecules to sub-cellular networks, from single cells to neuronal networks, and to still larger systems. It is backwards-compatible with GENESIS, and forward compatible with Python and XML-based model definition standards like SBML and MorphML. MOOSE is coordinating with the GENESIS-3 project towards the goals of developing educational resources for modeling.