ラプラス変換と指数分布の和 — Section 9.1 の核心

この記事は何の記事か:
Hawkes & Colquhoun "Stochastic Properties of Ion Channels" の Section 9.1 "The Sum of Two Different Exponentially Distributed Intervals" の解説。

イオンチャネルの開時間 $t_{\text{open}}$ と閉時間 $t_{\text{shut}}$ の合計 $\;t = t_{\text{open}} + t_{\text{shut}}\;$ の確率密度関数を求める節。

結論を先に: 2つの独立な指数分布の和は畳み込み積分で書けるが、 ラプラス変換を使うと畳み込みが単なる積に変換されて計算が一気に楽になる。 これが本節の主役 — 「なぜラプラス変換が必要か」 の答え。

1. 問題設定 — 何を求めたいのか

イオンチャネルは「開いている時間」と「閉じている時間」を交互に繰り返す。 単一チャネル記録の電流トレースを思い出してほしい:

閉 開 $t_{\text{open}}$ $t_{\text{shut}}$ $t = t_{\text{open}} + t_{\text{shut}}$

図1. 単一チャネルの電流トレース。1回の「サイクル」(開→閉) の長さ $t$ の分布を求めたい。

2状態モデル ($O \leftrightarrow C$) を仮定:

$f_{\text{open}}(t) = \alpha\, e^{-\alpha t}, \qquad f_{\text{shut}}(t) = \beta'\, e^{-\beta' t}$

求めたいもの: $t = t_{\text{open}} + t_{\text{shut}}$ の確率密度関数 $f(t)$

2. 素朴な方法 — 畳み込み積分(でも面倒)

2つの独立な確率変数の和の分布は畳み込み (convolution) で書ける:

$\displaystyle f(t) = \int_0^t f_{\text{open}}(\tau)\, f_{\text{shut}}(t - \tau)\, d\tau$

意味は直感的:

合計 $t$ (固定) 0 $t$ $t_{\text{open}}=\tau_1$ $t_{\text{shut}}=t-\tau_1$ $t_{\text{open}}=\tau_2$ $t_{\text{shut}}=t-\tau_2$ $t_{\text{open}}=\tau_3$ $t-\tau_3$ → $\tau$ を 0 から $t$ までスライドさせて全パターン足し上げる (= 積分)

図2. 畳み込みの直感: $t$ を「開」と「閉」に分ける分け方すべてを積分で集める。

実際に指数分布を代入して計算してみると…

$\displaystyle f(t) = \int_0^t \alpha e^{-\alpha \tau} \cdot \beta' e^{-\beta'(t-\tau)}\, d\tau = \alpha \beta' e^{-\beta' t} \int_0^t e^{-(\alpha - \beta')\tau} d\tau$

これくらいなら手計算で行けるが、3つ、4つ、…と増えると地獄。 ましてや一般の $n$ 個の指数や、複雑な状態モデルでは破綻する。

困りごと: 時間領域での畳み込みは 多重積分 になり、状態数や次数が増えると組合せ爆発する。 イオンチャネルは実際には数十状態を考えることもあり、この素朴な計算はスケールしない。

3. ラプラス変換が登場する理由 — 畳み込み定理

3.1 ラプラス変換の定義

関数 $f(t)$ ($t \geq 0$) のラプラス変換 $f^*(s)$ は:

$\displaystyle f^*(s) = \mathcal{L}[f](s) = \int_0^\infty e^{-st} f(t)\, dt$

気持ち: 関数を「$s$ をパラメータとした重み付き積分」で別の関数に変換する。 $t$ という時間軸の関数を、$s$ という複素周波数軸の関数に翻訳しているイメージ。

3.2 指数分布のラプラス変換は超簡単

$\displaystyle \mathcal{L}[q e^{-qt}](s) = \int_0^\infty e^{-st} \cdot q e^{-qt} dt = q \int_0^\infty e^{-(s+q)t} dt = \frac{q}{s+q}$

つまり:

$\displaystyle f^*_{\text{open}}(s) = \frac{\alpha}{s+\alpha}, \qquad f^*_{\text{shut}}(s) = \frac{\beta'}{s+\beta'}$

3.3 畳み込み定理 — これが本節の主役

畳み込み定理 (Convolution Theorem):
  $\displaystyle \mathcal{L}\!\left[\,\int_0^t f(\tau) g(t-\tau)\, d\tau\,\right](s) = f^*(s) \cdot g^*(s)$

時間領域での畳み込み (積分)が、ラプラス領域ではただの掛け算になる!
時間領域 $t$ $f_{\text{open}}(t),\ f_{\text{shut}}(t)$ ↓ 畳み込み積分 (面倒!) $f(t) = \int_0^t f_{\text{open}}(\tau) f_{\text{shut}}(t-\tau) d\tau$ → 多重積分で苦しい ラプラス領域 $s$ $f^*_{\text{open}}(s), f^*_{\text{shut}}(s)$ ↓ ただの掛け算! $f^*(s) = f^*_{\text{open}}(s) \cdot f^*_{\text{shut}}(s)$ → 代数計算で済む $\mathcal{L}$ $\mathcal{L}^{-1}$ (逆変換)

図3. ラプラス変換の戦略 — 「面倒な世界」を「楽な世界」に翻訳し、計算してから元の世界に戻す。

4. 実際に解く — ラプラス変換による導出

ステップ 1: ラプラス領域で積を作る

$\displaystyle f^*(s) = \frac{\alpha}{s+\alpha} \cdot \frac{\beta'}{s+\beta'} = \frac{\alpha \beta'}{(s+\alpha)(s+\beta')}$

ステップ 2: 部分分数分解

$\displaystyle \frac{\alpha \beta'}{(s+\alpha)(s+\beta')} = \frac{\alpha\beta'}{\alpha - \beta'}\left(\frac{1}{s+\beta'} - \frac{1}{s+\alpha}\right)$

ステップ 3: 逆ラプラス変換

$\mathcal{L}^{-1}\!\left[\dfrac{1}{s+a}\right] = e^{-at}$ を使うだけ:

$\displaystyle \boxed{\, f(t) = \frac{\alpha \beta'}{\alpha - \beta'}\bigl(e^{-\beta' t} - e^{-\alpha t}\bigr) \quad (\text{eq. 91})\,}$
畳み込み積分を直接やる代わりに、代数計算と公式表だけで済んだ。 これがラプラス変換のご利益。

5. 結果の意味 — 2つの指数の差が作る山型

$f(t)$ は2つの指数の差。単独の指数 ($t=0$ で最大、単調減少) とは違って、ピーク (peak) を持つ形になる。

$t$ $f(t)$ 単独の指数 (peak なし) peak $t^* = \frac{\ln(\alpha/\beta')}{\alpha - \beta'}$ 2指数の差 = $f(t)$ (eq. 91) 0

図4. 2つの指数の差は $t=0$ でゼロから立ち上がってピークを作る。 単独の指数 (灰色破線) は $t=0$ で最大で単調減少 — 形が決定的に違う。

物理的解釈 (本文より):
非常に短い $t$ が現れにくいのは、開時間と閉時間の両方が短くないと合計も短くならない から。 そして両方が同時に短くなる確率は低い。
→ よって $t=0$ 近くは確率密度が低い = 山型 (peak あり)。

6. 平均 — もう一度ラプラス変換が活躍

確率変数の和の平均は単純に和:

$\displaystyle \text{mean} = \int_0^\infty t f(t)\, dt = \frac{1}{\alpha} + \frac{1}{\beta'} \quad (\text{eq. 92})$

これは積分計算してもいいし、ラプラス変換の性質 $\mathrm{E}[T] = -\dfrac{d f^*(s)}{ds}\bigg|_{s=0}$ を使えば一発でも出る。

7. なぜラプラス変換が「本質的に」必要なのか — 大局的な視点

Section 9.1 は2つの指数の和という最小例。 本書全体ではこの戦略を以下に拡張する:

状況時間領域の見え方ラプラス領域の見え方
2状態モデル
$O \leftrightarrow C$		 1つの指数 $\alpha e^{-\alpha t}$ $\dfrac{\alpha}{s+\alpha}$
開+閉の和 (本節) 畳み込み積分 $\dfrac{\alpha}{s+\alpha} \cdot \dfrac{\beta'}{s+\beta'}$
$n$ サイクルの合計 $n$ 重畳み込み (悪夢) $\left(\dfrac{\alpha}{s+\alpha} \cdot \dfrac{\beta'}{s+\beta'}\right)^n$
一般の Q行列 ($k$ 状態) Kolmogorov 微分方程式 $\bigl(sI - Q\bigr)^{-1}$ (代数!)
核心: 連続時間マルコフ連鎖 (CTMC) の確率行列 $P(t) = e^{Qt}$ のラプラス変換は
  $\displaystyle \mathcal{L}[P(t)] = (sI - Q)^{-1}$
となり、微分方程式が代数方程式 (逆行列計算) に化ける。
さらに $(sI-Q)^{-1}$ の分母は $\det(sI - Q) = 0$ — これは固有値方程式そのもの。
→ Q の固有値が滞在時間分布の指数成分にそのまま出る理由が、ラプラス変換を通すとクリアになる。

8. 右側の図 (パネル A/B) について — Section 11 への布石

スクリーンショット右側のイオンチャネル電流トレースは Section 11 "Single-channel currents and macroscopic currents" の図 16 (一部)。 本書著者はここで一旦予告している:

パネル A: Mean open time 10ms, 1000 channels averaged
→ 開時間が長いと、マクロ電流の立ち下がりが遅く見える。

パネル B: Mean latency 10ms, Mean open time 1ms, 1000 channels averaged
→ 「待ち時間 (latency)」が長く、開時間が短いと、マクロ電流が遅く立ち上がって早く落ちる。

これは「2つの指数の差 (本節の eq. 91)」のマクロ電流版。 1000 チャネル平均すると、個々のサイクルが平均化されて、ピーク付き曲線がそのままマクロ電流の波形になる。 立ち上がり時定数 = 1/β'、立ち下がり時定数 = 1/α (またはその逆) として読める。

A: 開時間が長い (10ms) 電流 時間 刺激 B: latency 10ms, 開時間 1ms 時間 刺激 どちらも eq. 91 の「2指数の差」の形(時定数だけが違う)

図5. パネル A/B の模式図。1000 チャネル平均は eq. 91 の形を直接見せる。

9. まとめ — この記事の要点

項目内容
何の節かイオンチャネルの $t_{\text{open}} + t_{\text{shut}}$ の分布を求める節
素朴な方法畳み込み積分 — 計算が面倒、拡張も困難
ラプラス変換の役割畳み込み定理 畳み込みを積に変える
得られる結果$f(t) = \dfrac{\alpha\beta'}{\alpha - \beta'}(e^{-\beta' t} - e^{-\alpha t})$ — ピーク付きの分布
平均$1/\alpha + 1/\beta'$ — 開時間と閉時間の平均の和
大局的価値$P(t)=e^{Qt}$ を $(sI-Q)^{-1}$ にして、固有値解析・状態数推定に直結
一行まとめ:
  「ラプラス変換は、確率変数の和(=畳み込み)を掛け算に変える道具。
    イオンチャネルの多状態解析では、これが指数の重ね合わせと固有値解析を橋渡しする。」

参考

最終更新: 2026-05-22 / プロジェクト: Mathematics in Neuroscience プレゼン準備