This article extends a recent methodological workflow for creating realistic and computationally efficient neuron models whilst capturing essential aspects of single-neuron dynamics. We overcome the intrinsic limitations of the extant optimization methods by proposing an alternative optimization component based on multimodal algorithms. This approach can natively explore a diverse population of neuron model configurations. In contrast to methods that focus on a single global optimum, the multimodal method allows directly obtaining a set of promising solutions for a single but complex multi-feature objective function. The final sparse population of candidate solutions has to be analyzed and evaluated according to the biological plausibility and their objective to the target features by the expert. In order to illustrate the value of this approach, we base our proposal on the optimization of cerebellar granule cell (GrC) models that replicate the essential properties of the biological cell. Our results show the emerging variability of plausible sets of values that this type of neuron can adopt underlying complex spiking characteristics. Also, the set of selected cerebellar GrC models captured spiking dynamics closer to the reference model than the single model obtained with off-the-shelf parameter optimization algorithms used in our previous article. The method hereby proposed represents a valuable strategy for adjusting a varied population of realistic and simplified neuron models. It can be applied for other kinds of neuron models and biological contexts.

中文翻译：

---

关于使用多峰优化器拟合神经元模型。在小脑颗粒细胞中的应用

本文扩展了最近的方法学工作流程，以创建逼真的且计算效率高的神经元模型，同时捕获单神经元动力学的基本方面。通过提出一种基于多峰算法的替代优化组件，我们克服了现有优化方法的固有局限性。这种方法可以在本地探索神经元模型配置的多样性。与专注于单个全局最优的方法相比，多峰方法允许直接为单个但复杂的多特征目标函数获得一组有前途的解决方案。候选解决方案的最终稀疏群体必须根据生物学上的合理性及其对目标特征的目标进行分析和评估。为了说明这种方法的价值，我们的建议基于小脑颗粒细胞（GrC）模型的优化，该模型可复制生物细胞的基本特性。我们的结果表明，这种类型的神经元可以采用潜在的复杂尖峰特征的合理值集的新兴变异性。而且，与使用我们上一篇文章中使用的现成参数优化算法获得的单个模型相比，一组选定的小脑GrC模型所捕获的尖峰动力学更接近于参考模型。在此提出的方法代表了一种有价值的策略，用于调整各种现实和简化的神经元模型。它可以应用于其他种类的神经元模型和生物学环境。我们的结果表明，这种类型的神经元可以采用潜在的复杂尖峰特征的合理值集的新兴变异性。而且，与使用我们上一篇文章中使用的现成参数优化算法获得的单个模型相比，一组选定的小脑GrC模型所捕获的尖峰动力学更接近于参考模型。在此提出的方法代表了一种有价值的策略，用于调整各种现实和简化的神经元模型。它可以应用于其他种类的神经元模型和生物学环境。我们的结果表明，这种类型的神经元可以采用潜在的复杂尖峰特征的合理值集的新兴变异性。而且，与使用我们上一篇文章中使用的现成参数优化算法获得的单个模型相比，一组选定的小脑GrC模型所捕获的尖峰动力学更接近于参考模型。在此提出的方法代表了一种有价值的策略，用于调整各种现实和简化的神经元模型。它可以应用于其他种类的神经元模型和生物学环境。在此提出的方法代表了一种有价值的策略，用于调整各种现实和简化的神经元模型。它可以应用于其他种类的神经元模型和生物学环境。在此提出的方法代表了一种有价值的策略，用于调整各种现实和简化的神经元模型。它可以应用于其他种类的神经元模型和生物学环境。