Debian Science Modeling of neural systems packages

NEURON is a simulation environment for modeling individual neurons and networks of neurons. It provides tools for conveniently building, managing, and using models in a way that is numerically sound and computationally efficient. It is particularly well-suited to problems that are closely linked to experimental data, especially those that involve cells with complex anatomical and biophysical properties.

NEURON offers

• "natural syntax", which allows one to specify model properties in familiar idioms
• efficient and painless spatial and temporal discretization
• several different, user-selectable numerical integration methods
• convenient user interface (interpreters + GUI)
• user-extendable library of biophysical mechanisms

Brian ist ein zeitgesteuerter Simulator für »spiking neural networks«. Er wurde mit Schwerpunkt auf Flexibilität und Erweiterbarkeit ausgelegt, für die schnelle Entwicklung und Verfeinerung von neuronalen Modellen. Neuronale Modelle werden durch Sätze von durch den Benutzer vorgegebenen Differentialgleichungen, Schwellwert- und Rücksetzbedingungen (als Strings ausgedrückt) formuliert. Der Schwerpunkt liegt dabei vor allem in Netzwerken von »single compartment neuron«-Modellen (z.B. leaky integrate-and-fire oder Neuronen vom Hodgkin-Huxley-Typ). Die Eigenschaften umfassen:

• ein System zur Angabe von Mengen mit physikalischen Dimensionen
• exakte numerische Integration für lineare Differentialgleichungen
• Euler-, Runge-Kutta- und exponentielle Euler-Integration für nichtlineare Differentialgleichungen
• synaptische Verbindungen mit Verzögerungen
• kurzfristige und langfristige Plastizität (vom spike-timing abhängige Plastizität)
• eine Bibliothek von Standard-Modellkomponenten, einschließlich »integrate-and-fire«-Gleichungen, Synapsen und Ionenströmen
• einen Werkzeugsatz für die automatische Anpassung von »spiking neuron«-Modellen an elektrophysiologische Messdaten

PyNN allows for coding a model once and run it without modification on any simulator that PyNN supports (currently NEURON, NEST, PCSIM and Brian). PyNN translates standard cell-model names and parameter names into simulator-specific names.

XPPAUT ist ein Werkzeug zum Lösen von

• Differentialgleichungen,
• Differenzengleichungen,
• Delaygleichungen,
• Funktionalgleichungen,
• Randwertproblemen und
• stochastischen Gleichungen.

Das Programm vereint eine Vielzahl praktischer Algorithmen und ist sehr leicht zu portieren. Die Oberfläche ist vollständig in Xlib programmiert, wodurch sich das etwas eigenwillig und primitiv anmutende Aussehen erklärt.

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.