MODELLI NEURONALI: 1) Comprensione misure sperimentali

Presentazione sul tema: "MODELLI NEURONALI: 1) Comprensione misure sperimentali"— Transcript della presentazione:

1 MODELLI NEURONALI: 1) Comprensione misure sperimentali 2) Analisi teorica del sistema 3) Predizione interazioni in reti neuronali 4) Ricostruzione delle funzioni nervose

2 Registrazioni da fettine di tessuto cerebellare (tecnica del patch-clamp)

3 Repetitive firing

4 bursting

5 resonance

6 Circuito equivalente

7 Modello a circuito parallelo

8 Conduttanze voltaggio e tempo dipendenti

9 Canali ionici : teoria del gating

10 Gating: tempo-dipendenza b a b y (1-y) a

11 Gating: voltaggio dipendenza

12 Processo attivato dalla depolarizzazione
Processo inattivato dalla depolarizzazione

13 Dinamica del Ca2+ intracellulare
esistono conduttanze Ca-dipendenti, ed è quindi necessaria una rappresentazione esplicita della dinamica del Ca2+ Ca2+ Ca2+ Pompe, tamponi ecc.

14 Sistema di ODE del primo ordine
Soluzione con metodi di integrazione numerica

15 Modello di Hodgkin-Huxley (HH)

16 Estrazione parametri cinetici
Vengono ricavati i parametri y

17 Ricostruzione conduttanze

18 Ricostruzione risposta eccitabile

19 Predizione conduzione negli assoni

20 Sinapsi sinapsi eccitatorie sinapsi inibitorie 1 ms

21 Modelli multicompartimentali
V2 V3 V1 In ogni compartimento

22 Parametri cinetici modello

23 Repetitive firing modello

24 Repetitive firing modello

25 Bursting modello

26 Resonance modello

27 Modelli tipo HH: 1) sono in relazione alla realtà molecolare 2) derivano da misure sperimentali 3) incorporano un numero arbitrario di meccanismi 4) sono applicabili a sistemi multicompartimentali 5) sono adattabili (modulazione) 6) riproducono il timing degli spikes 7) evolvono dinamicamente 8) sono passibili di analisi teorica

28 Rete neuronale del cervelletto (schematica)

29 Trasmissione ripetitiva

30 Risonanza (frequenza theta)

31 Plasticità sinaptica: LTP
Modifiche: neurotrasmissione eccitabilità intrinseca

32 La prospettiva: La realizzazione di reti simulate che incorporino modelli tipo HH (realistici) potrebbe consentire una migliore comprensione delle complesse dinamiche delle reti neuronali del sistema nervoso