Dinâmica Não Linear e Processamento de Informação em Redes Neurais Biológicas Pedro Carelli CURSO DE VERÃO – 2012 DEPARTAMENTO DE FÍSICA - UFPE Motivação: Atividade irregular dos neurônios biológicos 5 mV STG 1s Circuito regular Neurônio isolado irregular Atividade espontânea Potenciais de ação e rajadas/bursts longos com frequência bem diferente do circuito original Comportamento elétrico de neurônio do STG Rajadas de potenciais de ação Dinâmica Rápida: Potenciais de Ação Dinâmica Lenta: Platôs e Hiperpolarizações Duas abordagens possíveis ● ● Modelos detalhados Baseados na fsiologia dos neurônios ● ● ● ● Modelos tipo HH Modelos simplifcados Baseados nas propriedades do espaço de fases dos neurônios Modelo HindmarshRose Lorenz chamou sua descoberta de “efeito borboleta”, título de um artigo publicado em 1979: “… pode o bater de asas de uma borboleta no Brasil desencadear um tornado no Texas?” 1975 => matemático James Yorke usou pela primeira vez a palavra CAOS com o sentido de “desordem ordenada”: um padrão de organização existindo por trás da aparente casualidade. Equações precisas + Sensibilidade às condições iniciais = Comportamento caótico 20 20 10 10 xn+300 xn+1 Quando não temos acesso a todas as variáveis dinâmicas: Teorema de Takens (1981) Reconstrução do espaço de fase !!! 0 -10 0 -10 (a) -20 -20 -10 0 xn 10 (b) -20 20 -20 -10 0 xn 10 20 Quando não temos acesso a todas as variáveis dinâmicas: Teorema de Takens Reconstrução do espaço de fase 1,0 20 0,8 10 xn+25 C(θ) 0,6 0,4 -10 0,2 0,0 0 (a) 0 20 40 60 80 θ 100 120 140 (b) -20 -20 -10 0 xn 10 20 Entretanto... Teorema de Takens É possível reconstruir o espaço de fase Usando apenas uma variável dinâmica Reconstrução do espaço de fase em sistemas dinâmicos tipo “integra e dispara” (Sauer, 1997) The 4D Hindmarsh-Rose (HR) model x y z w Modelo de um neurônio do STG: Extendendo o modelo HH ● Correntes rápidas – Na, K; ● Correntes lentas – CaS, CaT, K(Ca), A, H. 12 equações diferenciais não lineares Dinâmica obtida utilisando o método de Voltage-Clamp para cada uma das correntes. Equações do Modelo Comportamento do modelo 100 mV 1s Comportamento periódico Separando as correntes para fcar com “cara” de neurônio do STG Comportamento do modelo com 2 compartimentos Detectando os intervalos entre eventos (ISIs – Inter Spike Intervals) ISIN+1 ISIN Diagrama de bifurcações para o modelo HH 12D Diagrama de bifurcações para o modelo HR 4D Rede HR com 2 neurônios Rede HR com 3 neurônios PARTE II Comportamento do modelo 100 mV 1s Comportamento periódico Diagrama de bifurcações Método patch-clamp Prêmio Nobel 1991 E. Neher B. Sakmann caráter probabilístico dos canais iônicos caráter probabilístico dos canais iônicos Quando abertos obedecem a lei de Ohm: ou Confabilidade da resposta de um neurônio do córtex Mainen 95 Limitações da modelagem HH ● Todo o neurônio sob o mesmo potencial ● Ignora o caráter discreto e probabilístico dos canais iônicos Patch do axônio explica experimento com córtex do rato Extraído de Schneidman 95 Modelo de Hodgkin-Huxley Expoentes ajustados Funções ajustadas Modelo Estocástico dos canais de K+ αn β unidade fechada n0 n1 n2 n unidade aberta n3 n4 Modelo Estocástico dos canais de Na+ m0h1 m1h1 m2h1 m3h1 m0h0 m1h0 m2h0 m3h0 g K V , t = gK n4 3 H-H Determinístico Expoentes ajustados g Na V , t =g Na m h dn =n 1−n−n n dt dm = m 1−m−m m dt dh =h 1−h−h h dt H-H Estocástico g K V , t =K [m 4 ] g Na V , t =Na [m3 h1 ] olhar populações ao invés de cada canal: Tornando a simulação mais rápida Diminuição de 4 ordens de grandeza no tempo de simulação Neurônios Isolados DET ESTOC Estereótipo Variabilidade Confabilidade dos potenciais de ação Rajadas sobrepostas Mapas de retorno Diagrama de bifurcação DET ESTOC +0.4 +0.3 -0.3 -1.2 ´ ´ Número de canais do modelo: Número efetivo de canais Até amanhã...