低阈值与高阈值钙通道的门控特性对比

本实例将展示如何使用 braincell 库分析低阈值 T 型钙通道和高阈值钙通道的门控变量稳态特性。通过对比它们的门控曲线，你将理解不同钙通道在神经元电活动中的功能差异。

准备工作

首先确保已安装必要的库（braincell、brainunit、braintools、matplotlib），并导入所需模块：

import braintools
import brainunit as u
import matplotlib.pyplot as plt
import braincell

代码详解

创建钙通道模型

braincell 内置了多种基于经典文献的离子通道模型，命名格式为 通道类型_文献标识，如 ICaT_HP1992 表示基于 Huguenard & Prince 1992 年研究的 T 型钙通道。 如果你想了解更多的离子通道模型，可以查阅我们的离子通道模型库。

# 创建低阈值 T 型钙通道（ICaT）
cat = braincell.channel.ICaT_HP1992(1)

# 创建高阈值钙通道（ICaHT）
caht = braincell.channel.ICaHT_HM1992(1)

生成电压序列

为了分析通道门控特性随膜电位的变化，我们生成一个从 -100 mV 到 0 mV 的连续电压序列：

# 生成电压序列
vs = u.math.arange(-100 * u.mV, 0 * u.mV, 0.1 * u.mV)

计算门控变量稳态值并绘图

离子通道的门控变量的稳态值描述了在某一膜电位下，通道门控处于开放状态的概率。我们通过通道的 f_q_inf 和 f_p_inf 方法计算这些值，并可视化对比：

# 创建图形和子图布局
fig, gs = braintools.visualize.get_figure(1, 2, 3., 4.5)

# 计算低阈值通道的激活门稳态值和失活门稳态值
q_inf = cat.f_q_inf(vs)
p_inf = cat.f_p_inf(vs)

# 添加子图 1
fig.add_subplot(gs[0, 0])
plt.plot(vs / u.mV, q_inf, label='q_inf（激活门）')  # 横轴转换为 mV 便于阅读
plt.plot(vs / u.mV, p_inf, label='p_inf（失活门）')
plt.legend()  # 显示图例
plt.fill_between([-80, -60], 1., alpha=0.2)  # 标记低阈值通道的典型激活范围
plt.title('低阈值钙通道（ICaT）')
plt.xlabel('膜电位（mV）')

# 计算高阈值通道的 q_inf 和 p_inf
q_inf = caht.f_q_inf(vs)
p_inf = caht.f_p_inf(vs)

# 添加子图 2
fig.add_subplot(gs[0, 1])
plt.plot(vs / u.mV, q_inf, label='q_inf（激活门）')
plt.plot(vs / u.mV, p_inf, label='p_inf（失活门）')
plt.fill_between([-60, -40], 1., alpha=0.2)  # 标记高阈值通道的典型激活范围
plt.legend()
plt.xlabel('膜电位（mV）')
plt.title('高阈值钙通道（ICaHT）')

# 显示图形
plt.show()

结果解读

运行代码后，你将看到两张门控特性曲线图。

分析两张门控特性曲线图，核心结论如下：

低阈值钙通道（：

• q_inf在膜电位约 -80 ~ -60 mV 时显著上升，表明此范围内通道易激活。

• 与填充区域吻合，说明该通道在神经元静息电位附近即可被激活。

高阈值钙通道）：

• q_inf 在膜电位约 -60 ~ -40 mV 时才显著上升，激活阈值更高。

• 填充区域对应其典型激活范围，需更强去极化才能激活。

扩展练习

• 尝试修改通道的电导密度参数，观察门控曲线是否变化。

• 对比其他离子通道的门控特性，理解不同通道在动作电位中的协同作用。

通过这些工具，你可以快速构建符合电生理特性的通道模型，为复杂神经动力学模拟奠定基础。