Modelos computacionales para investigar la dinámica neuronal

EMILIA B. DELEGLISE; FERNANDO MONTANI

Editorial Académica Española

Lugar: Saarbrücken, Germany; Año: 2014 p. 93

978-3-8484-7152-2

Uno de los modelos computacionales más simples de neuronas, es el Modelo Simple de Neurona Disparando de E. Izhikevich [11], que utiliza sólo dos variables dinámicas y cuatro parámetros para generar 20 tipos distintos de dinámicas neuronales. Un modelo de dinámica lineal de membrana simplicado aún más es el demostrado por Mihalas y Niebur [28], basado en los trabajos de Hodgkin y Huxley [4]. A pesar del éxito de estos modelos para emular a la dinámica neuronal ([29] a [32]), esta representación compacta de los estados no ofrece una interpretación biofísica directa de sus parámetros. Nuestro plan de trabajo se orienta hacia una alternativa con un enfoque biofísico basado en el formalismo Hodgkin-Huxley, pero utilizando el Modelo Simple de Neurona Disparando de E. Izhikevich, de forma de poder construir una red neuronal que sea capaz de reproducir las principales características biológicas de una red real. En el campo de la Neurosiología experimental, una magnitud usada para analizar dicha red es la varianza normalizada de la distribución de probabilidades asociada a los intervalos entre disparos, o los histogramas de los intervalos mismos. Lamentablemente los efectos dinámicos de la red no pueden ser completamente capturados por estos cálculos sencillos, pues no proveen ningún tipo de información dinámica que pueda ser contrastada en el espacio de las fases. Para investigar la dinámica neuronal proponemos un cuanticador causal de entropía y un cuanticador de complejidad que nos permiten caracterizar al sistema en el plano de las fases de forma muy robusta. De esta manera, podremos determinar cuáles son los parámetros optimales que permiten transmitir la información de forma más eciente. Esta perspectiva nos permite empezar a responder cuestiones muy importantes en neurociencia, como por ejemplo, aquellas que tienen que ver con la saturación de la información. Este es un fenómeno esperable cuando el número de neuronas aumenta y/o el número de interconexiones entre las neuronas aumenta. El nuevo enfoque que se propone no solamente es importante desde el punto de vista teórico, sino que puede ayudar a determinar cuáles son las áreas de la corteza en las que el nivel de información es mayor y cómo se les asocia un peso causal en el procesamiento de la información y por ende en comportamiento ante estímulos externos.