神経細胞の細胞特性を解明することは、脳における神経細胞の機能を理解する上で不可欠である。このような理解を目指す中で、マルチモーダルな細胞データを統合し、因果関係を確立するためには、生体に近いモデルの構築が中心的な役割を果たす。しかし、現行のモデリング手法は、実験的神経細胞データの入手可能性の限界および内在する変動性に制約されており、現実の実験で観察される自然な変動を考慮できない。現在の生体に近いモデルは決定論的枠組みに基づいているため、実験的に観測される変動を適切に表現できない。一方で、深層学習はこの分野においてますます重要性を増しているが、神経細胞の複雑な生体物理的性質、非線形な膜電位ダイナミクス、および個体間・試行間の変動を完全に捉えることはできていない。こうした課題を克服するため、本研究では、解釈可能な神経細胞特徴の連続的周波数変調埋め込みから、電流注入によって引き起こされる細胞体電位応答へのマッピングを学習するニューラルオペレータフレームワーク「NOBLE」を提案する。NOBLEは、生体に近い神経細胞モデルから生成された合成データで訓練され、神経ダイナミクスの分布を、実験的な内在変動を考慮して予測する。従来の生体に近い神経細胞モデルとは異なり、埋め込み空間内での補間によって得られるモデルは、実験的に観測された応答と整合性を持つダイナミクスを示す。NOBLEは、実験データに非常に近い合成神経細胞を効率的に生成可能であり、試行間の変動も再現する。この手法は、数値解法に比べて最大4200倍の高速化を実現する。NOBLEは、実際の実験データを用いて一般化性能を検証する初めてのスケーラブルな深層学習フレームワークである。本研究では、NOBLEが神経細胞の基本的性質を一見して新たな発現的様式で捉えることで、細胞構成と計算メカニズムの理解、神経型コンピューティングアーキテクチャ、大規模脳回路、および一般的なニューロAI応用への新たな道を開くことを示している。