表征神经元的细胞特性是理解其在大脑中功能的基础。在这一研究目标中，构建生物真实感模型是整合多模态细胞数据集并建立因果关系的核心。然而，当前的建模方法仍受限于实验神经元数据的获取有限性以及其固有的变异性。现有的生物真实感模型采用确定性形式，无法有效反映实验中观察到的自然变异性。尽管深度学习在该领域日益重要，但其仍难以充分捕捉神经元的完整生物物理复杂性、非线性电压动力学及其变异性。为解决上述局限，我们提出NOBLE——一种神经算子框架，该框架学习从可解释神经元特征的连续频率调制嵌入到电流注入所引发的胞体电压响应之间的映射关系。NOBLE在基于生物真实感神经元模型生成的合成数据上进行训练，能够预测包含内在实验变异性在内的神经动力学分布。与传统生物真实感神经元模型不同，NOBLE在嵌入空间中进行插值所生成的模型，其动力学行为与实验观测结果保持一致。NOBLE可高效生成与实验数据高度相似、并具有试次间变异性的人工神经元，其计算速度比传统数值求解器快达4200倍。NOBLE是首个通过真实实验数据验证其泛化能力的规模化深度学习框架。该方法以一种独特且涌现的方式捕捉了神经元的基本属性，为深入理解细胞组成与计算机制、类脑架构、大规模脑回路以及通用神经AI应用开辟了新路径。