Efficient Uncertainty Quantification and Sensitivity Analysis of Electrodiffusive Neuron Models

We introduce a comprehensive and computationally efficient framework for conducting uncertainty quantification (UQ) and global sensitivity analysis (GSA) in electrodiffusive neuron models. We consider the six-compartmental electrodiffusive Neuron-Extracellular-Glia model (edNEG) to describe electrophysiology, ion dynamics, and volume variations in brain tissue. Our approach encompasses a UQ procedure, including an assessment of the model’s reliability and its susceptibility to input uncertainty. We also employ a variance-based GSA to identify the most influential input parameters. Both of these tasks rely on Monte Carlo sampling methods, leading to considerable computational expenses due to the extensive number of model evaluations. To alleviate this computational cost, we conduct an extensive numerical analysis, aiming to strike a balance between accuracy and computational efficiency. We explore the use of implicit solvers and consider surrogate modeling techniques. Numerical results demonstrate that implicit solvers outperform previously used explicit ones in terms of computational efficiency while maintaining high accuracy, even when dealing with complex fast dynamics common in neuroscience. Moreover, we demonstrate the feasibility of a comprehensive UQ and GSA analysis. This analysis sheds light on the critical parameters influencing our model’s outputs, their interdependencies, and the ones requiring precise estimation to mitigate result uncertainty. Furthermore, it provides valuable insights into the underlying biological mechanisms governing these dynamics.

Introduciamo un’analisi completa ed efficiente dal punto di vista computazionale per condurre la quantificazione dell’incertezza (UQ) e l’analisi di sensibilità globale (GSA) nei modelli di neuroni elettrodifusivi. Consideriamo il modello elettrodifusivo Neuron-Extracellular-Glia (edNEG) a sei compartimenti per descrivere l’elettrofisiologia, la dinamica ionica e le variazioni di volume nei tessuti cerebrali. Il nostro approccio include una procedura di UQ, compresa un’analisi dell’affidabilità del modello e della sua suscettibilità all’incertezza degli input. Utilizziamo anche una GSA basata sull’analisi della varianza per identificare i parametri di input più influenti. Entrambe queste attività si basano su metodi di campionamento Monte Carlo, comportando notevoli costi computazionali a causa del grande numero di valutazioni del modello. Per alleviare questo costo computazionale, conduciamo un’ampia analisi numerica, mirando a trovare un equilibrio tra accuratezza ed efficienza computazionale. Esploriamo l’uso di risolutori impliciti e consideriamo tecniche di modellazione surrogata. I risultati numerici dimostrano che i risolutori impliciti superano quelli espliciti precedentemente utilizzati in termini di efficienza computazionale, mantenendo un’alta accuratezza, anche quando si trattano dinamiche veloci e complesse, comuni in neuroscienza. Inoltre, dimostriamo la fattibilità di un’analisi UQ e GSA completa. Quest’analisi fornisce oltretutto informazioni sui parametri critici che influenzano gli output del nostro modello, sulle loro interdipendenze e su quelli che richiedono una stima precisa per mitigare l’incertezza dei risultati. Inoltre, fornisce preziose intuizioni sui meccanismi biologici sottostanti che governano queste dinamiche.