想象你家后院有一座泳池。池水平时保持在一个安稳的刻度上，池壁有轻微渗漏，底部接着注水管和排水管。突然，注水阀门猛地弹开，清水哗哗灌入，水位急速攀升；升到某个高点，注水阀门自动收小，排水阀门却缓缓打开，水位回落，最终回到原来的刻度。这一涨一落，就是一次“水位脉冲”。 1952年，英国科学家艾伦·霍奇金和安德鲁·赫胥黎，把神经元的细胞膜想象成这座泳池，把带着正电荷的钠、钾粒子流过膜上的微小通道，想象成注水和排水，用一组数学方程精确描述了神经信号（动作电位）的产生。这就是改变世界的 Hodgkin-Huxley 神经元膜电位方程，简称 HH 方程。它不仅解释了生物电的本质，也为后来的类脑芯片与 AI for Science 埋下了种子。 这篇文章，我们不用一上来啃数学，而是先当一回“泳池管理员”：弄清楚哪些阀门负责注水、哪些阀门负责排水、阀门把手是怎么开合、电脑又是怎么一小步一小步推算水位的。等你读完，再回头看 HH 方程，会发现它其实只是一本清晰的水位账本。 这本账本，迄今还在神经科学和人工智能的实验室里被反复翻阅。

岗位关联

理解 HH 方程，等于同时握住了神经科学、脉冲神经网络和神经形态芯片三把钥匙。它对 AI 从业者的价值，不在那一行公式，而在“用数学精确描述一个生物系统”的完整范式——这正是 AI for Science 最需要的思维。

目录
  1. 可视化演示
  2. 模型起源背景
  3. 离子通道机制
  4. 膜电位方程
  5. 门控动力学
  6. 关键参数
  7. 数值求解方法
  8. 类脑计算应用
  9. 局限与改进
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

演示Hodgkin-Huxley模型中动作电位的产生过程：膜电位动态变化、离子通道门控变量演化，以及钠钾电导与离子电流的协同机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

动作电位：膜电位动态 静息电位-65mV，受刺激后Na+内流引发去极化 峰值约+40mV，随后K+外流导致复极化 超极化后缓慢恢复至静息水平 Cm·dV/dt=-(INa+IK+IL)+Iext 电容电流平衡方程驱动膜电位变化

模型起源背景

1952年夏天，英国普利茅斯海洋实验室的一个房间里，两位科学家正对着一根从巨型鱿鱼身上取下的神经纤维做实验。这根纤维粗如铅笔芯，透明得能看清内部液体流动。他们把它浸在海水里，用一根根细电极扎进去，记录电压的变化——就像给一座泳池装上水位计，看注水和排水时池水的涨落。

霍奇金和赫胥黎想知道：神经元凭什么能“啪”地放出电信号？当时人们只知道神经会放电，但不清楚电流的起源。他们用“电压钳”技术把膜电位牢牢固定在一个设定值上，然后测量为了维持这个电位需要注入或抽走多少电流——这就像把泳池的水位卡在某一刻度，再测量维持水位所需的泵水流量，由此算出每一根管子的特性。

实验揭示了三种离子电流：钠电流、钾电流和漏电流。经过数年推理，他们在1952年发表了完整的 HH 方程。1963年，两位科学家与他们的导师共同获得诺贝尔生理学或医学奖。这套“测水位、量流速”的功夫，为后来所有研究脑与机器的工程师，留下了一张可以按图索骥的泳池蓝图。

离子通道机制

一座泳池要实现“自动水位脉冲”，至少需要三类管件：一根粗壮的注水管、一根口径稍细的排水管，以及池壁本身的轻微渗漏。HH 方程里的离子通道，就是这三根管子。

细胞膜是两层磷脂分子构成的“池壁”，带电粒子无法自由穿越，只能通过膜上镶嵌的通道蛋白。这些通道像闸门一样有选择性：钠通道只放钠离子过，钾通道只放钾离子过。它们是否开放由膜电压控制，所以叫“电压门控通道”——把手的旋动由水位（电压）本身驱动。

钠通道是“快开快关”的注水阀：神经元受到刺激时迅速打开，让 Na⁺ 从细胞外涌入（驱动方向由钠平衡电位约 +50 mV 决定），产生去极化；钾通道是“慢开慢关”的排水阀：滞后打开让 K⁺ 外流（平衡电位约 -77 mV），实现复极化。漏通道则一直轻微开放，对应池壁的持续渗水。此外，离子还受浓度梯度驱动：Na⁺ 细胞外多、K⁺ 细胞内多，就像两个水位不同的水箱之间接了管子，净流动方向由浓度差与电位差共同决定。注水阀快、排水阀慢、渗漏不停，三根管子的节奏配合，神经元便能把一次刺激变成一段从树突传向轴突末梢的“电脉冲”。

膜电位方程

把泳池的进水和出水写成“水账”，就得到 HH 方程的核心形式：水位变化率 =（注入 − 流出）÷ 池子储水能力。在电学上，细胞膜是电容，离子通道是电导，膜电位 V 是“水位”，膜电容 Cₘ 是“储水能力”，离子电流就是“水的流量”。

HH 方程本质上是一个电流守恒式：膜电容上的电流，等于外部注入电流减去所有跨膜离子电流。完整方程如下：

CmdVdt=Iext−gNam3h(V−ENa)−gKn4(V−EK)−gL(V−EL)C_m\frac{\mathrm{d}V}{\mathrm{d}t}=I_{ext}-g_{Na}m^3h(V-E_{Na})-g_Kn^4(V-E_K)-g_L(V-E_L)
通俗理解：膜电位的变化率 =（外部打进来的电流 − 钠电流 − 钾电流 − 漏电流）÷ 膜电容。电流净流入时水位上升，净流出时水位下降。
  1. 电容电流项等式左侧是膜电容上的电流，等于膜电容 Cₘ 乘以膜电位 V 的变化速率。V 是膜电位，t 是时间，d/dt 表示“单位时间的变化量”。
    CmdVdtC_m\frac{\mathrm{d}V}{\mathrm{d}t}
  2. 外部刺激项I_ext 是外部注入电流，模拟实验电极刺激或上游神经元的突触输入，相当于有人往泳池倒了一桶水。
    IextI_{ext}
  3. 钠电流项g_Na 是钠通道的最大电导，m³h 是门控因子（三个激活门 m 和一个失活门 h），(V−E_Na) 是让钠离子移动的电化学驱动力。
    gNam3h(V−ENa)g_{Na}m^3h(V-E_{Na})
  4. 钾电流项g_K 是钾通道最大电导，n⁴ 是钾通道门控因子，(V−E_K) 是驱动力，负责复极化。
    gKn4(V−EK)g_Kn^4(V-E_K)
  5. 漏电流项g_L 是漏电导，(V−E_L) 是驱动力，模拟通道以外的持续渗漏。
    gL(V−EL)g_L(V-E_L)
  6. 整体平衡把左右合起来，就是“电容电流 = 刺激 − 钠 − 钾 − 漏”的电流守恒，泳池每一次涨落都逃不出这本账。
    CmdVdt=Iext−INa−IK−ILC_m\frac{\mathrm{d}V}{\mathrm{d}t}=I_{ext}-I_{Na}-I_K-I_L

门控动力学

阀门不会“咔哒”一声瞬间从全关变成全开。泳池的注水阀往往要旋好几圈，排水阀的把手也带有阻尼。神经元的通道同样如此——它们的“开合把手”有自己的响应速度，这就是门控动力学研究的对象。

HH 方程中的 m、n、h 不是常数，而是随膜电位 V 变化的“门控变量”，取值范围 0 到 1，可以理解为“把手拧开的幅度”。m 和 h 共同控制钠通道（一个管激活、一个管失活），n 控制钾通道。每个门控变量的变化满足一阶动力学方程，以 m 为例：

当 m 不再变化时，它趋向稳态值 m_∞；调整的快慢则由时间常数 τ_m 刻画：

m 的快速响应、h 的缓慢失活、n 的迟缓开启——三只阻尼不同的把手默契配合，才让泳池的水位走出那道标志性的“尖峰脉冲”。

dmdt=αm(V)(1−m)−βm(V)m\frac{\mathrm{d}m}{\mathrm{d}t}=\alpha_m(V)(1-m)-\beta_m(V)m
通俗理解：任何电压下，门控把手都有一个“归宿位置”m_∞，以及“多快拧到位”的时间常数 τ_m。τ_m 越小，把手响应越快。
  1. 稳态值m_∞ 是开启与关闭速率达到平衡时 m 的稳定比例，等于开启速率占总速率（开启+关闭）的份额。
    αm(V)αm(V)+βm(V)\frac{\alpha_m(V)}{\alpha_m(V)+\beta_m(V)}
  2. 时间常数τ_m 是速率之和的倒数，表示门控调整的快慢尺度，单位与时间一致。
    1αm(V)+βm(V)\frac{1}{\alpha_m(V)+\beta_m(V)}
  3. 组合两者都随膜电位 V 变化，所以门控“快慢”和“归宿”都取决于当前水位。
    m∞=αmαm+βm,τm=1αm+βmm_\infty=\frac{\alpha_m}{\alpha_m+\beta_m},\quad \tau_m=\frac{1}{\alpha_m+\beta_m}

关键参数

同一套“水位调节原理”，如果换成不同规格的泳池——池壁更厚、管径更粗、水箱更高——产生的脉冲波形也会不同。HH 模型中的一组参数，就定义了这样一座“标准泳池”的规格。

经典 HH 模型描述的是乌贼巨轴突在 6.3°C 海水中的电特性。要把它移植到人脑神经元、心肌细胞甚至是芯片上，就需要重新标定参数。最重要的四类参数是：

最大电导：g_Na = 120 mS/cm²、g_K = 36 mS/cm²、g_L = 0.3 mS/cm²，分别对应注水管、排水管、渗漏的“最大通流能力”。平衡电位：E_Na ≈ +50 mV、E_K ≈ −77 mV、E_L ≈ −54.4 mV，由膜内外离子浓度差决定，可用能斯特方程计算：

其余参数还包括：膜电容 C_m ≈ 1 μF/cm²（池壁的储水特性）；温度系数 Q10：温度每升高 10°C，各速率常数约变为原来的 3 倍。把这组参数一换，泳池立刻从“鱿鱼池”改造成“人脑池”或“心肌池”——这正是 HH 方程能跨物种、跨组织应用的原因。

Eion=RTzFln⁡[ion]out[ion]inE_{ion}=\frac{RT}{zF}\ln\frac{[ion]_{out}}{[ion]_{in}}
通俗理解：离子平衡电位只取决于膜内外浓度之比、绝对温度和离子价态，就像两个连通水箱的静态液面高度差取决于两箱水量之比。
  1. 能量尺度R 是气体常数，T 是绝对温度，RT 代表热运动携带的能量尺度。
    RTzF\frac{RT}{zF}
  2. 浓度比ln([ion]_out/[ion]_in) 是细胞外与细胞内浓度之比的自然对数，浓度差越大，数值越显著。
    ln⁡[ion]out[ion]in\ln\frac{[ion]_{out}}{[ion]_{in}}
  3. 平衡电位两者相乘得到该离子的平衡电位，z 是离子价态（Na⁺、K⁺ 取 1，Ca²⁺ 取 2）。
    Eion=RTzFln⁡[ion]out[ion]inE_{ion}=\frac{RT}{zF}\ln\frac{[ion]_{out}}{[ion]_{in}}

数值求解方法

有了方程不等于能“看出”答案。HH 方程是四个变量（V、m、n、h）耦合的非线性微分方程组，手算几乎不可能。好在我们可以请计算机这位耐心的管家，一小步一小步地推算水位。

最直观的方法是“前向欧拉法”：已知当前时刻的水位和变化率，下一步水位 = 当前水位 + 变化率 × 步长。把时间切成许多小段，每段长度 Δt，在每个时间步计算当前状态下的变化率，然后同步更新所有变量：

工程上要注意：HH 方程是“刚性”方程，显式欧拉法的 Δt 一般不超过 0.02 ms；更稳妥的方案是使用四阶龙格-库塔法（RK4），或在 NEURON、Brian 2 等平台中使用内置的自适应变步长求解器。计算机管家每一步都按水位账本精确推算——步长太小就多跑几步，步长太大会算错账，选对求解器，模拟才能万无一失。

Vn+1=Vn+Δt⋅f(Vn,mn,nn,hn)V_{n+1}=V_n+\Delta t\cdot f(V_n,m_n,n_n,h_n)
通俗理解：每过一小段时间 Δt，水位的新值等于旧值加上“当前流速 × 时间小段”。
  1. 当前电位V_n 是第 n 个时间步的膜电位，f(V_n,m_n,n_n,h_n) 是 HH 方程右端算出的膜电位变化率。
    Vn+Δt⋅f(Vn,mn,nn,hn)V_n+\Delta t\cdot f(V_n,m_n,n_n,h_n)
  2. 步长Δt 是全部状态方程共用的推进步长，越小越准，但计算量随之增大。
    Δt\Delta t
  3. 更新公式用当前值加上“变化率×步长”得到下一时刻的值，不断迭代即得完整的 V(t) 曲线。
    Vn+1=Vn+Δt⋅fV_{n+1}=V_n+\Delta t\cdot f

类脑计算应用

假如我们把千万座泳池装进一块指甲盖大小的芯片，让它们并行涨落，是不是就能模拟大脑的一部分？这正是类脑计算的梦想，而 HH 方程就是这些“微型泳池”的设计蓝图。

类脑计算中的脉冲神经网络（SNN）用“脉冲”传递信息。最常用的神经元模型是 LIF（漏电积分点火），它把离子通道全部抽象掉了，计算极其高效。但如果需要更高的生物逼真度——比如模拟不应期、精确的脉冲时序、离子通道病变等——就得回到 HH 方程。

在硬件层面，Intel 的 Loihi 芯片与 IBM 的 TrueNorth 芯片都实现了简化版的 HH 类神经元模型，用差分电路和查找表近似非线性函数，避开昂贵的微分求解。在软件层面，NEURON、Brian 2、NEST 等仿真平台内置了 HH 模型，科学家用它们做全脑仿真和药物安全评估。在 AI for Science 领域，HH 方程还常被用来批量生成逼真的合成神经脉冲数据，为训练神经网络解码器提供带标签的样本。

每一颗类脑芯片里，都藏着数以亿计的“迷你泳池”。算力有限，但泳池的智慧正在通过模型近似与硬件优化，一步步被搬进硅基世界。

局限与改进

一座泳池模型再精致，也管不住天上的降雨、泳者的嬉水、落叶的腐蚀。HH 方程同样有它的“未建模之处”。

经典 HH 方程是“点模型”——它假设整个神经元是一个电位均匀的小室，不包含树突、轴突的空间结构；参数在 6.3°C 下标定，温度变化需要 Q10 校正；通道是确定性的连续模型，没有随机开合噪声；它也没有描述突触递质释放的过程。这些限制在解释单个神经元的宏观放电时无伤大雅，但在涉及突触整合、树突计算和通道随机性时就不够了。

针对这些局限，后人做了大量扩展：多室模型把神经元切分成几十到几百个小隔室，每个隔室各有一套 HH 方程，用电缆方程连接，还原树突的空间计算；随机门控模型用马尔可夫链描述单个通道的随机开合，再现真实神经元本征噪声；温度与浓度扩展引入 Q10 系数和动态离子浓度；深度学习结合方向则用神经网络代理 HH 方程做超快速仿真，或将 HH 作为物理约束嵌入 AI 模型提升泛化能力——这正是 AI for Science 的典型范式。

1952 年那座朴素的泳池，如今已被改造成带循环系统、水质监测、智能调度的“未来水世界”。而它的原型——HH 方程，依然是所有改动的起点。

AI 应用场景

场景一：类脑芯片的神经元 IP 核设计

阶段：模型设计 / 神经形态计算

解决的问题：精密神经形态芯片不能直接解微分方程，但完全抛弃生物细节又会让脉冲时序失真。工程师需要用 HH 方程作为“标定基准”，验证简化神经元模型（如 LIF 或二阶模型的变体）的放电行为是否足够接近真实神经元。

具体案例：Intel Loihi 芯片开发时，研究人员在软件中运行 HH 模型生成参考脉冲序列，再与芯片上简化模型的输出对比，调整参数使误差最小。IBM TrueNorth 的神经元设计同样参考了 HH 的漏电流与门控思想。

场景二：药物心脏毒性虚拟筛选

阶段：仿真实验 / 科学计算

解决的问题：新药研发中，化合物可能阻断心脏的 hERG 钾通道，引发致命的心律失常。反复做动物实验成本高、周期长，且伦理受限。基于 HH 类方程的心肌细胞模型可以在计算机上快速模拟药物对离子通道的阻断效应。

具体案例：FDA 的 CiPA（综合体外致心律失常风险预测）项目中，研究者使用包含 HH 动力学的心肌细胞仿真模型，评估药物对钠、钾、钙通道的影响，预测 QT 间期延长风险，作为新药审批的辅助证据。

场景三：脑机接口的合成训练数据生成

阶段：数据生成 / 数据增强

解决的问题：训练运动想象脑机接口的解码器需要大量标注过的神经元放电数据，真实电生理记录耗时且难以重复。用 HH 方程可以批量生成不同刺激条件下的合成脉冲序列，补充真实数据不足。

具体案例：研究者在运动皮层解码任务中，用 HH 模型仿真不同握力下的神经元脉冲响应，将合成数据与少量真实记录混合训练 LSTM 解码器，把解码准确率提升了近 10 个百分点。

Python 演示

python90 行
import numpy as npimport matplotlib.pyplot as plt # HH 模型参数（mV, mS/cm^2, uA/cm^2, ms）gNa_max, gK_max, gL = 120.0, 36.0, 0.3ENa, EK, EL = 50.0, -77.0, -54.4Cm = 1.0  def alpha_m(V):    return 0.1 * (V + 40.0) / (1.0 - np.exp(-(V + 40.0) / 10.0))  def beta_m(V):    return 4.0 * np.exp(-(V + 65.0) / 18.0)  def alpha_n(V):    return 0.01 * (V + 55.0) / (1.0 - np.exp(-(V + 55.0) / 10.0))  def beta_n(V):    return 0.125 * np.exp(-(V + 65.0) / 80.0)  def alpha_h(V):    return 0.07 * np.exp(-(V + 65.0) / 20.0)  def beta_h(V):    return 1.0 / (1.0 + np.exp(-(V + 35.0) / 10.0))  def hh_simulate(T=20.0, dt=0.01, I_ext=10.0, t_stim=(0.5, 1.5)):    V = -65.0    m = alpha_m(V) / (alpha_m(V) + beta_m(V))    n = alpha_n(V) / (alpha_n(V) + beta_n(V))    h = alpha_h(V) / (alpha_h(V) + beta_h(V))    steps = int(T / dt)    times, Vs, gNas, gKs = [], [], [], []     for i in range(steps):        t = i * dt        times.append(t)        Vs.append(V)         gNa = gNa_max * m**3 * h        gK = gK_max * n**4        gNas.append(gNa)        gKs.append(gK)         I_inj = I_ext if t_stim[0] <= t <= t_stim[1] else 0.0        dV = (I_inj - gNa * (V - ENa) - gK * (V - EK) - gL * (V - EL)) / Cm        dm = alpha_m(V) * (1.0 - m) - beta_m(V) * m        dn = alpha_n(V) * (1.0 - n) - beta_n(V) * n        dh = alpha_h(V) * (1.0 - h) - beta_h(V) * h         V += dV * dt        m += dm * dt        n += dn * dt        h += dh * dt     return np.array(times), np.array(Vs), np.array(gNas), np.array(gKs)  def main():    t, V, gNa, gK = hh_simulate()     fig, axes = plt.subplots(2, 1, figsize=(8, 6), sharex=True)    axes[0].plot(t, V, lw=2, color="#818CF8")    axes[0].axhline(-65, ls="--", color="#C7D2E4", lw=1)    axes[0].set_ylabel("Membrane potential (mV)")     axes[1].plot(t, gNa, lw=1.5, color="#F43F5E", label="gNa")    axes[1].plot(t, gK, lw=1.5, color="#10B981", label="gK")    axes[1].set_xlabel("Time (ms)")    axes[1].set_ylabel("Conductance (mS/cm^2)")    axes[1].legend()    plt.tight_layout()    plt.show()     peak_idx = int(np.argmax(V))    print(f"Resting potential: {V[0]:.2f} mV")    print(f"Peak potential: {V[peak_idx]:.2f} mV at t={t[peak_idx]:.2f} ms")    print(f"Max gNa: {np.max(gNa):.1f} mS/cm^2")    print(f"Max gK: {np.max(gK):.1f} mS/cm^2")  if __name__ == "__main__":    main()
目的：用欧拉法模拟 HH 方程，重现动作电位的产生过程，并观察钠、钾电导如何随时间变化。
  1. alpha_m(V)计算钠通道 m 门控的开启速率；电压越高，开启越快。
  2. m = alpha_m(V) / (alpha_m(V) + beta_m(V))用稳态公式初始化静息状态下的门控变量。
  3. gNa = gNa_max * m**3 * h三个激活门 m 和一个失活门 h 同时到位，钠通道才全开。
  4. dV = (I_inj - gNa * (V - ENa) - gK * (V - EK) - gL * (V - EL)) / CmHH 方程核心：膜电位变化率 = 净注入电流 ÷ 膜电容。
  5. V += dV * dt欧拉法更新膜电位：旧值加上变化率与步长的乘积。
  6. if __name__ == "__main__":确保模块被导入时不自动运行，作为脚本执行时才进入主函数。

常见误区

误区我以为 m³ 表示三个独立的钠离子通道同时打开，n⁴ 就是四个钾通道。既然指数是 3 和 4，那通道数量应该就是 3 个和 4 个。

正解m³ 是同一个钠通道上三个激活门控粒子的协同概率。m 表示单个门控粒子处于开启位置的概率，m³ 是三者同时处于开启位置的概率。好比一扇门需要同时拧开三把锁才能推开——m 是每把锁拧开的概率，m³ 是三把锁全开的概率。指数表示协同门控的阶数，不是通道个数。

为何常见：指数形式很容易让人联想到“数量的指数倍”，而门控粒子的协同机制是远抽象于日常经验的微观过程。

误区教材总讲霍奇金和赫胥黎用巨型鱿鱼做实验，我印象里 HH 方程就只对鱿鱼有效，人脑神经元得用别的模型。

正解HH 方程的数学结构适用于所有可兴奋膜。鱿鱼实验只是“采样工具”，模型的参数（电导、能斯特电位、温度系数）才是物种差异的体现。把参数换成哺乳动物的值，它就能描述皮层神经元、心肌细胞甚至骨骼肌。就像“水位调节原理”放之四海而皆准，只是池子大小、管径粗细、水箱高度各有不同。

为何常见：教材突出巨型鱿鱼的历史故事，容易让人把“实验对象”误当成“模型适用范围”。

误区动作电位上升是钠离子进来，下降是钾离子出去，所以我理解成钠、钾通道同时打开，一个进一个出，互相抵消。

正解钠电流和钾电流在时间上是“错峰”的：去极化阶段钠通道先快速打开，钠离子涌入；随后钠通道失活关闭，钾通道才缓慢打开，钾离子外流完成复极化。相当于泳池先注满水、再排水，两个阀门不会同时开到最大。

为何常见：动作电位峰值附近两种电流确实短暂叠加，只看电流波形图容易误判为同步工作。

误区欧拉法的误差随步长减小而下降，那我直接用 dt = 0.0001 ms 仿真，结果肯定又准又稳。

正解步长减小确实提高精度，但计算量线性增长，且 HH 方程是刚性方程，显式欧拉法在步长过大时会数值发散。更聪明的做法是用 RK4、自适应步长甚至隐式求解器，在保证精度的同时节约算力。工程师讲究“够用就好”——就像调节泳池水位，频繁微调不如恰到好处的一次操作。

为何常见：数值分析课总强调“步长越小越精确”，忽略了性能代价和刚性方程对稳定域的限制。

误区脉冲神经网络里 LIF 模型是对 HH 的简化替代，两者本质差不多，工程上直接用 LIF 就够了，反正都能发放脉冲。

正解LIF 只描述膜电容充放电与阈值点火，没有离子通道门控，无法再现动作电位的精细形状、不应期以及频率适应等生物物理特性。HH 是“机理模型”，LIF 是“功能模型”，就像一套是完整的阀门管路仿真，一套只是“水位超过阈值就报警”的逻辑开关。选型取决于任务是需要生物逼真度，还是仅需要高效脉冲事件。

为何常见：LIF 在 SNN 工程中太流行了，初学者容易把它当成 HH 的平价替代品，忽略了二者在建模层级上的本质差异。

面试题

Q1. 在 HH 方程中，动作电位的上升支（去极化）主要由哪种离子的跨膜流动引起？

单选题 · easy

  • A.钾离子向外流动
  • B.钠离子向内流动← 正确答案
  • C.钙离子向内流动
  • D.氯离子向内流动

答案：B。动作电位的上升支由钠离子内流主导。钠通道打开后 Na⁺ 涌入细胞，膜电位迅速升高（去极化）。钾离子外流负责复极化下降支；钙离子在某些细胞中起作用，但 HH 经典模型的主角是钠和钾；氯离子主要参与静息电位的稳定。

Q2. 经典 HH 模型中，膜电容 Cₘ 的常用单位是？

单选题 · easy

  • A.单位是 μF/cm²← 正确答案
  • B.单位是 mS/cm²
  • C.单位是 mV
  • D.单位是 μA

答案：A。Cₘ 是单位面积膜电容，经典取值为 1 μF/cm²（微法每平方厘米）。mS/cm² 是电导单位，mV 是电位单位，μA 是电流单位。类比泳池，Cₘ 相当于“单位面积池壁容纳电荷的能力”，是连接电场与水位的换算系数。

Q3. 下列关于 HH 模型门控变量的说法，正确的有？

多选题 · mid

  • A.m 是钠通道的激活门控变量← 正确答案
  • B.h 是钠通道的失活门控变量← 正确答案
  • C.n 是钾通道的激活门控变量← 正确答案
  • D.三者取值都固定为 1

答案：ABC。m、h、n 分别对应钠通道激活、钠通道失活、钾通道激活。三个门控变量都在 0 到 1 之间动态变化，受膜电位调节。m³h 中，m 项升高促进通道打开，h 项降到接近 0 则通道失活关闭，因此 D 选项错误。

Q4. 静息状态下，HH 模型的膜电位最接近哪个离子的平衡电位？

单选题 · mid

  • A.钠离子约 +50 mV
  • B.钾离子约 -77 mV← 正确答案
  • C.钙离子约 +120 mV
  • D.氯离子约 -65 mV

答案：B。静息时细胞膜对钾的通透性最高，膜电位被拉向钾的平衡电位 E_K ≈ -77 mV；实际静息电位约 -65 mV 是少量钠渗漏把电位抬高了一点。类比泳池，平时排水管微开、注水管几乎全关，水位自然贴近排水侧水箱的平衡高度。

Q5. HH 方程中的因子 (V − E_Na) 表示什么？

单选题 · mid

  • A.钠离子的浓度梯度
  • B.钠离子的电化学驱动力← 正确答案
  • C.钠通道的电导大小
  • D.钠通道的开启概率

答案：B。(V − E_Na) 是膜电位与钠平衡电位之差，决定了钠离子的净驱动力方向与大小。V 高于 E_Na 时钠离子向外流，低于 E_Na 时向内流。这与泳池中“当前水面高度与平衡水位之差决定水流方向”完全同构。

Q6. 用欧拉法求解 HH 方程时，以下哪些做法有助于改善数值稳定性？

多选题 · hard

  • A.减小时间步长 dt← 正确答案
  • B.使用四阶龙格-库塔法← 正确答案
  • C.增大 dt 到 0.5 ms
  • D.使用隐式欧拉法← 正确答案

答案：ABD。减小 dt、改用 RK4、采用隐式欧拉法都能扩大稳定区域或降低误差。增大 dt 恰恰会让显式方法的解发散或出现伪振荡。HH 方程是刚性的，显式欧拉法的步长通常不应超过 0.02 ms，就像管家记账的间隔太长就会漏掉水位的急涨。

Q7. 根据能斯特方程，决定某离子平衡电位的最主要因素是？

单选题 · mid

  • A.细胞膜电容大小
  • B.膜内外离子浓度比← 正确答案
  • C.电压门控通道数量
  • D.外部刺激电流强度

答案：B。能斯特方程 E = (RT/zF)·ln([ion]_out/[ion]_in) 表明，平衡电位由离子浓度比、绝对温度和离子价态决定。膜电容只影响电位变化的快慢，通道数量影响电导大小，刺激电流是扰动源——它们都不改变平衡电位的“锚点”。

Q8. 与 LIF 模型相比，HH 模型的突出优势是？

单选题 · easy

  • A.计算速度非常快
  • B.再现动作电位精细形状← 正确答案
  • C.需要的参数数量更少
  • D.易于在 GPU 上并行

答案：B。HH 模型通过离子门控动力学精确再现动作电位的产生、波形与不应期，而 LIF 是高度简化的功能模型。HH 计算更慢、参数更多、并行化也更复杂，但其生物逼真度高，适合研究通道机制和精确脉冲时序。

Q9. 关于经典 HH 模型的局限性，正确的认识有？

多选题 · hard

  • A.它在固定温度下标定，需用 Q10 校正← 正确答案
  • B.它不能描述树突等空间结构← 正确答案
  • C.它假设离子电导不随电压变化
  • D.它没有描述突触递质释放← 正确答案

答案：ABD。经典 HH 参数在 6.3°C 下测得，其他温度要用 Q10 系数校正；它是点模型，不含树突、轴突空间结构；也没有突触传递过程。C 选项错误——HH 的电导本身是电压依赖的，门控变量 m、n、h 的速率常数都是 V 的函数。

Q10. 动作电位的“全或无”特性在 HH 模型中是如何体现的？

单选题 · hard

  • A.阈值刺激激发出相同的放电波形← 正确答案
  • B.刺激越强产生的波形越高
  • C.任何大小的刺激都会引发放电
  • D.钠通道完全不依赖膜电压

答案：A。HH 模型的钠通道存在正反馈：一旦刺激使膜电位越过阈值，钠电流的自我增强会引发固定的全幅动作电位；低于阈值的刺激只会产生可衰减的局部响应。类比泳池：水量不足以触发自动循环时就只是小幅波动，一旦越过临界液面，整套注排水循环会自动跑完。