Debian Science Modeling of neural systems packages

NEURON è un ambiente di simulazione per modellare neuroni individuali e reti di neuroni. Fornisce strumenti comodi per costruire, gestire e usare modelli in un modo che è numericamente solido e computazionalmente efficiente. È particolarmente bene adatto ai problemi che sono strettamente collegati a dati sperimentali, specialmente quelli che coinvolgono celle con proprietà biofisiche e anatomiche complesse.

NEURON offre

• "sintassi naturale", che permette di specificare proprietà del modello in idiomi familiari;
• discretizzazione efficiente e indolore, spaziale e temporale;
• svariati metodi numerici di integrazione differenti, selezionabili dall'utente;
• interfaccia utente comoda (interpreti + GUI);
• libreria di meccanismi biofisici ampliabile dall'utente.

Brian è un simulatore per reti neurali spiking guidato dal tempo. È progettato con un'enfasi su flessibilità ed estensibilità, per lo sviluppo rapido e l'affinamento di modelli neurali. I modelli dei neuroni sono specificati dall'utente con insiemi di equazioni differenziali, condizioni di soglia e condizioni di ripristino (date come stringhe). L'attenzione è principalmente su reti di modelli di neuroni a compartimento singolo (es. neuroni di tipo Hodgkin-Huxley o integra-e-spara con perdita). Le funzionalità includono:

• un sistema per specificare quantità con dimensioni fisiche;
• integrazione numerica esatta per equazioni differenziali lineari;
• integrazione di Eulero, Runge-Kutta ed esponenziale di Eulero per equazioni differenziali non lineari;
• connessioni sinaptiche con ritardi;
• plasticità a breve termine e a lungo termine (plasticità dipendente dalla tempistica degli spike);
• una libreria di componenti modello standard che include equazioni integra-e-spara, sinapsi e correnti ioniche;
• strumenti per fare automaticamente il fitting di modelli di neuroni spiking su registrazioni elettrofisiologiche.

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 è uno strumento per risolvere:

• equazioni differenziali,
• equazioni alle differenze,
• equazioni differenziali con ritardo,
• equazioni funzionali,
• problemi al contorno ed
• equazioni stocastiche.

Il codice raggruppa insieme alcuni utili algoritmi ed è estremamente portabile. Tutte le grafiche e l'interfaccia sono scritte completamente in Xlib, il che spiega l'interfaccia in qualche modo idiosincratica e con widget primitivi.

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.