Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
Computational Neuroscience
Structure – Dynamics – Implementation – Algorithm – Computation - Function
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László 2
Simplified neuron modelsReminder: the HH-model
-100 50V [mV]
m∞
n∞
h∞
m
n
h
0
9
[mse
c]
0
1
[1]
-100 50V [mV]
Cm
dVdt
=gNa ENa−V t m3 t h t gK EK−V t n4 t
g leak Eleak−V t I external t
dmdt
=m∞ V t −m t
m V t
dhdt
=h∞ V t −h t
h V t
dndt
=n∞ V t −n t
n V t
One spike
0 50t [msec]
40-80
V [mV]
10
x [1]n
hm
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
The Hodgkin-Huxley model / 4
3
HH model in work:
membranepotential
gating variables
channelconductances
channel currents
0 50t [msec]
40-80
V [mV]
10
x [1]40
0g [S/cm
2]800
-800I [nA/cm
2]
n
h
K
Na
m
Na
Na
K
leak.
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
The Hodgkin-Huxley model / 5
4
Sir John Carew Eccles, Alan Lloyd Hodgkin, Andrew Fielding Huxley: Awarded by Nobel-prize in medicine, 1963.
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
The Hodgkin-Huxley model / 6
5
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
Types of attractors
A: Fixed point
B: Limit cycle
C: Quasi periodic:requires irrational ratio for at leasttwo osscillations.
D: Chaotic: requires at least 3 dimensions.
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
40-80 V [mV]
10
m [1]
10
h [1]1
0n [1]
m∞
n∞
h∞
0 1h [1]
01
n [1
]
The dimension reduction of the HH-modelOne spike in the state space (three projections)
FAST ACTIVATING VARIABLES (V)
7
SLOW, INACTIVATING VARIABLES(W)
Cm
dVdt
=gNa ENa−V t m∞
3 t 1−W t
gK EK−V t W t s
4
gsziv Eleak−V t I external t
dWdt
=W∞ V t −W t
W V t
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
55-85 V [mV]
01
W [1
]
V nullclinedVdt
=0
W nullclinedWdt
=0
fixed point
Phase Plane Analysis: the FitzHugh- (Nagumo-, Rinzel-) model / 1The phase plane with the direction field
8
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
20 mV5 msec
55-85 V [mV]
01
W [1
]Excitability: firing is a threshold phenomenon (all-or-none)
Phase Plane Analysis: the FitzHugh- (Nagumo-, Rinzel-) model / 2
9
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
20 mV5 msec
55-85 V [mV]
01
W [1
]Periodic firing to constant depolarization
Phase Plane Analysis: the FitzHugh- (Nagumo-, Rinzel-) model / 3
10
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
20 mV5 msec
Post Inhibitory Rebound: firing to transient hyperpolarization
Phase Plane Analysis: the FitzHugh- (Nagumo-, Rinzel-) model / 4
11
55-85 V [mV]
01
W [1
]
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
01
W [1
]
55-85 V [mV]
01
W [1
]0
1W
[1]
gK=18 mS/cm2
gK=15 mS/cm2
gK=8 mS/cm2
200 gK [mS/cm2]
-85
60V
[mV]
d gK
dt=Z V V−V rest−
gK−gKrest
gK
Phase Plane Analysis: Bursting / 1
12
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László 13
Phase Plane Analysis: Bursting / 2
Endogeneous Burster
gKrest
=8mS /cm2 gKrest
=12mS /cm 2
Conditional Burster
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László 14
Types of bifurcations
Class 1 ~ saddle-node on invariant circleClass 2 ~ saddle-node or Andronov-Hopf
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László 15
Types of bifurcations 2.
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László 16
V
Wt
d
dt= I t h t , t '
V
W
t
d
dt= I t , t h t , t '
The phase-model
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László 17
The rate-modelType I Type 2 (HH)
r t =T ∑i=1
n
wi⋅x i t − T
r
tx
i
xn
wn
wi
w1
r
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László 18
y t =H ∑i=1
n
w i⋅xi t −xi
xn
wn
wi
w1
y
H1
The McCulloch-Pitts model
x1
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
Integrate & Fire neuron
Self-flushingLavatory tank
Cm I
ext
V Cm
dV t dt
= I ext t
ha V(t)>Vthr
spike V(t):=Vret
V
t
Vthr
Vret
Leaky Integrator
Iext
V
Cm
Rm= 1/g
leak
Eleak
Cm
dV t dt
=E leak−V t
Rm
I ext t V
t
Vthr
Vret
19
Lengyel Máté: Egysejt modellek II / Modellek az idegrendszer-kutatásban2018 Neuroinformatika, Zalányi László
Resonate & Fire neuron
Cm
dZ t dt
=biZI ext t
if V(t)>Vthr
spike V(t):=Vret
20
Re(Z) is a potential-, Im(Z) is a current-like variable