Hierarchical Mixture Models in Neurological Transmission Analysis
神经传递分析中的层级混合模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究神经生理实验的层级混合与贝叶斯分析，没有所列经济计量细分方向的直接文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
神经传递分析中的层级混合模型
- 研究问题
- 如何用层级混合模型描述神经递质释放位点对电化学刺激的敏感性和响应幅度，并评估有关基础神经功能的科学假说？
- 方法与思路
- 作者以混合结构表示释放机制的不确定性，为位点敏感性和响应参数设计结构化先验，并通过随机模拟实施后验分析。
- 材料陈述的贡献
- 摘要称结构化先验允许评估相关神经功能假说，多组实验数据分析展示了该方法及神经生理学解释，并指出后续发展和开放问题。
- 阅读关注点
- 应核对混合成分与生理机制的对应、层级先验如何表达假说、参数可识别性，以及后验结论对先验和模拟收敛的敏感程度。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体假说、先验形式和实验结果未提供，不能据此确认神经生理机制或模型的普遍适用性。
原文摘要
Hierarchically structured mixture models are studied in the context of data analysis and inference on neural synaptic transmission characteristics in mammalian, and other, central nervous systems. Mixture structures arise due to uncertainties about the stochastic mechanisms governing the responses to electrochemical stimulation of individual neurotransmitter release sites at nerve junctions. Models attempt to capture such scientific features as the sensitivity of individual synaptic transmission sites to electrochemical stimuli and the extent of their electrochemical responses when stimulated. This is done via suitably structured classes of prior distributions for parameters describing these features. Such priors may be structured to permit assessment of currently topical scientific hypotheses about fundamental neural function. Posterior analysis is implemented via stochastic simulation. Several data analyses are described to illustrate the approach, with resulting neurophysiological insights in some recently generated experimental contexts. Further developments and open questions, both neurophysiological and statistical, are noted.