Dinâmica estocástica em neurociência teórica

Outline Introdu¸cão Motiva¸cões Primeiros passos Primeiros resultados
Dinâmica estocástica em neurociência teórica
Leandro A. da Silva
PUC-Rio
Pós-doutorado Júnior - CNPq (4/13 - 4/14)
02/05/13

1 Introdu¸c˜ao
2 Motiva¸c˜oes
3 Primeiros passos
4 Primeiros resultados

Por que é interessante estudar neurociência hoje?
Grande desenvolvimento e difusão de novas técnicas experimentais:

fMRI - (functional magnetic resonance imaging)

Captura de atividades com multieletrodos

TMS - Trancranial Magnetic Stimulation

Interfaces c´erebro-m´aquina

Neurociˆencia:“data-rich yet theory-poor”

Neurociência:“data-rich yet theory-poor”
Sistema nervoso/cérebro: “More is different”

Mecanismo neuronal b´asico

Onde est´a a informa¸c˜ao?

Onde está a informa¸cão?
Neurônio: exemplo de threshold model (avalanche, comportamento
coletivo etc)

Ru´ıdo neural
Principais fontes de flutua¸cões na dinâmica neural:
Abertura e fechamento de canais iônicos
Libera¸cão de neurotransmissores pelas sinapses
Entradas sinápticas provenientes do “ambiente” (∼ 104
jun¸cões sinápticas por neurônio)

Abordagens teóricas:
Qual escala?
1 neurônio
Hodgkin-Huxley (HH) model
Integrate-and-fire (leaky, estocástico)
Passive cable model
N neurônios
Intera¸cões numa rede discreta finita
campos neurais
classe de modelos tipo Wilson-Cowan

Modelos te´oricos:
Nonlinear stochastic integrate-and-ﬁre model:
τ
dv(t)
dt
= g(v) + I(t) + σ
√
2τη(t)
Passive cable model:
τ
∂v(x, t)
∂t
= λ2 ∂2v(x, t)
∂x2
− v(x, t)
Wilson-Cowan based model:
1
α
∂u(x, t)
∂t
= −u(x, t) +
∞
−∞
w(y)f (u (x − y, t − d)) dy

Analogia com a F´ısica Estat´ıstica
Sistemas na natureza = isolados
↓
Intera¸cão com um meio
↓
Dissipa¸cão e efeitos estocásticos
↓
Dinâmica via eq. tipo Langevin

Movimento Browniano
Eq. de Langevin para uma part´ıcula browniana de massa m:
dp
dt
= −
∂V
∂x
− ηp + R(t)
dx
dt
=
p
m
,
Propriedades do ru´ıdo branco ⇒ Teorema de flutua¸cão-dissipa¸cão
clássico
R(t) = 0 e R(t)R(t ) = 2kBTηδ(t − t )

Modelos de intera¸cão sistema-banho
Problema: deriva¸cões mais real´ısticas → dissipa¸cão
não-Markoviana (memória e ru´ıdo colorido)
Exemplo 1:

Problema: deriva¸cões mais real´ısticas → dissipa¸cão
não-Markoviana (memória e ru´ıdo colorido)
Exemplo 1:
Modelo de Caldeira-Leggett (1983) :
Sistema (q) em intera¸cão com um banho (xα, α = 1, . . . , N) :
H =
p2
2
+ V (q) +
1
2
N
α=1
p2
α
mα
+ mαωα xα −
cα
mαω2
α
F(q)
2
Tomando a intera¸cão sistema-banho como sendo linear (∼ qxα
⇒ F(q) = q e eliminando os graus de liberdade do banho:

¨q(t) +
t
0
dt Λ(t − t ) ˙q(t ) + V [q(t)] = ξ(t)
Λ(t − t ) = Θ(t − t )
1
M
N
α=1
c2
α
mαω2
α
cos(ωαt)
⇒ Equa¸cão não-Markoviana (kernel não-local Λ(t − t ), possui
memória da história passada) com ru´ıdo gaussiano e colorido:
ξ(t) ρ
(0)
B
= 0, ξ(t)ξ(t ) ρ
(0)
B
= kBTΛ(t − t )

Exemplo 2 1:
Cosmologia do universo primordial:
S[φ, χ, σ] = d4
x
1
2
(∂µφ)2
−
1
2
m2
φφ2
−
λ
4!
φ4
+
1
2
(∂µχ)2
−
1
2
m2
χχ2
+
1
2
(∂µσ)2
−
1
2
m2
σσ2
−
g2
2
φ2
χ2
− fχσ2
.
φ → campo clássico em cuja dinâmica estamos interessados
χ → campo intermediário que se acopla à σ e φ
σ → campo em equil´ıbrio térmico à temperatura T
1
Rep. Prog. Phys. 72,026901(2009)

Procedimento: integrar funcionalmente os campos χ e σ.
Situa¸cões fora do equil´ıbrio → Formalismo de tempo real
Equa¸cão de movimento efetiva (aproxima¸cão homogênea):
d2φc(t)
dt2
+
dVeff(φc)
dφc
+ φc(t)
t
−∞
dt φc(t ) ˙φc(t )Kχ(t − t )
= φc (t) ξ (t) ,
onde
Veff(φc) =
1
2
m2
φφ2
c +
λ
4!
φ4
c

ξ(t)ξ(t ) = 2g4 d3q
(2π)3
1
4ω2
χ(q)
{2nχ [1 + nχ] +
+ [1 + 2nχ + 2n2
χ] cos 2ωχ|t − t | +
+ 2βΓχ(q)nχ[1 + nχ][1 + 2nχ] sin[2ωχ|t − t |] ×
× e−2Γχ(q)|t−t |
+ O g4
Γ2
χ
T2
≡ N(t, t ) .

Outras aplica¸cões:
Colisão de ´ıons-pesados, f´ısica hadrônica (Physics Reports 292,
3-4, (1998))
Problema de descoerência em sistemas de dois n´ıveis (qubits) (Phys.
Rev. A 73, 012111 (2006), Phys. Rev. A 71, 022109 (2005))
Descri¸cão de processos difusivos anômalos (Phys. Rev. Lett. 93,
180603 (2004), Phys. Rev. E 53, 5872-5881 (1996) )
etc

Idéia central 1:
Inserir nos modelos fenomenológicos neurais efeitos de ru´ıdo
colorido em conjunto com um feedback distribu´ıdo (memória),
o que parece ser a situa¸cão f´ısica mais real´ıstica.

Idéia central 1:
Inserir nos modelos fenomenológicos neurais efeitos de ru´ıdo
colorido em conjunto com um feedback distribu´ıdo (memória),
o que parece ser a situa¸cão f´ısica mais real´ıstica.
O que é esperado? Dado um conjunto de parâmetros que
caracteriza o sistema e o ambiente, a aproxima¸cão markoviana
pode ou não ser satisfatória:

Aproxima¸cão markoviana
Equa¸cão de movimento não-markoviana:
d2
dt2
φ(t) + V (φ) + φn
(t)
t
t0
dt K(t − t )φn
(t ) ˙φ(t )
= φn
(t)ξ(t) .
Aproxima¸cão markoviana:
φn
(t)
t
t0
dt K(t − t )φn
(t ) ˙φ(t ) φ2n
(t) ˙φ(t)
t
t0→−∞
dt K(t − t )
→ Q φ2n
(t) ˙φ(t) .
Equa¸cão de movimento markoviana:
¨φ(t) + Q φ2n
(t) ˙φ(t) + m2
φφ +
λ
6
φ3
= φn
(t) ξ(t)

Tipos de ru´ıdo
KOU (t − t ) ≡ Kernel de Ornstein-Uhlenbeck: exponencial
pura
KH(t − t ) ≡ Kernel harmˆonico: exponencial multiplicando
termo oscilat´orio

Tipos de ru´ıdo
pura
termo oscilat´orio
KOU (t − t ) + KH(t − t )

Tipos de ru´ıdo
pura
termo oscilat´orio
KOU (t − t ) + KH(t − t )
Equa¸c˜ao de movimento mais geral:
¨φ(t) + V (φ) =
1
n=0 l
φn
(t) ξl(t) −
t
t0
dt Kl(t − t )φn
(t ) ˙φ(t ) .
Ru´ıdo colorido:
ξl(t)ξl(t ) = TKl(t − t ) ,

Sistema local
Podemos mapear uma equa¸cão não-markoviana
através de um sistema de equa¸cões markovianas

Sistema local
˙φ = y
˙y = −V (φ) + ξH + wH+ + ξ0U + wO+
+ φ[ξH + wHX + ξOU + wOX]
˙wO+ = −γwO+ − KOU (0)y
˙wH+ = uH+ − 2γwH+ − KH(0)y
˙wOX = −γwOX − KOU (0)φy
˙wHX = uHX − 2γwHX − KH(0)φy
˙uH+ = −m2
wH+ + ˙KH(0)y − 2γKH(0)y
˙uHX = −m2
wHX + ˙KH(0)φy − 2γKH(0)φy
˙ξH = zH
˙zH = −2γzH − m2
ξH + m2
2TQζ
˙ξOU = −γ ξOU − 2TQζ

Compara¸cão entre as dinâmicas markoviana e
não-markoviana
Ex: Caso OU aditivo
Equa¸cão de Movimento
¨φ(t) + m2
φφ +
λ
6
φ3
= ξOU (t) −
t
0
dt KOU (t − t ) ˙φ(t ) ,
correspondente sistema local
˙φ = y
˙y = −m2
φφ −
λ
6
φ3
+ ξ0U + wO+
˙wO+ = −γwO+ − KOU (0)y
˙ξOU = −γ ξOU − 2TQζ .

Caso OU aditivo: (a) γ = 0, 5, (b) γ = 1, 0 e (c) γ = 5, 0

Compara¸cão entre as dinâmicas markoviana e
não-markoviana
Ex: Caso harmônico aditivo
Equa¸cão de Movimento
¨φ(t) + m2
φφ +
λ
6
φ3
= ξH(t) −
t
0
dt KH(t − t ) ˙φ(t ) ,
correspondente sistema local
˙φ = y
˙y = −m2
φφ −
λ
6
φ3
+ ξH + wH+
˙wH+ = uH+ − 2γwH+ − KH(0)y
˙uH+ = −m2
wH+ + ˙KH(0)y − 2γKH(0)y
˙ξH = zH
˙zH = −2γzH − m2
ξH + m2
2TQζ .

Caso harmˆonico aditivo: (a) γ = 0, 1, (b) γ = 0, 3 e (c) γ = 0, 5

Idéia central 2: Efeitos da não-linearidade
Como a discrepância entre as dinâmicas markoviana
e não-markoviana é afetada pela não-linearidade do
seu potencial?

Idéia central 2: Efeitos da não-linearidade
Como a discrepância entre as dinâmicas markoviana
e não-markoviana é afetada pela não-linearidade do
seu potencial?
V (φ) = m
φ2
2
+
λ
4
φ4
∆φ = φ non−Markovian − φ Markovian
Fixando η = 1.0, T = 1.0, Ω0 = 1.0, m2
= 1.0 e
γ = 0.5 (EDH case) ou γ = 5.0 (OU case).

Efeitos da n˜ao-linearidade: caso harmˆonico
Figure: Painel esquerdo: ru´ıdo aditivo. Painel direito: ru´ıdo multiplicativo

Efeitos da n˜ao-linearidade: caso OU
Figure: Painel esquerdo: ru´ıdo aditivo. Painel direito: ru´ıdo multiplicativo

Modelo integra-e-dispara
Proposta de generaliza¸cão:
λ¨v(t)−g(v(t)) = I(t)+
1
n=0 l
vn
(t) ξl(t) −
t
t0
dt Kl(t − t )vn
(t )˙v(t )
Principais motiva¸cões decorrentes:
ressonância estocástica
mecanismos de bifurca¸cão
efeito de entradas sinápticas em diferentes escalas de tempo
caracter´ısticas

Passive Cable model
τ
∂v(x, t)
∂t
= λ2 ∂2v(x, t)
∂x2
− v(x, t)
Versão estocástica + efeitos de campos magnéticos externos
(Transcranial magnetic stimulation - TMS)
memória, ru´ıdo colorido?
efeitos de temperatura (modifica¸cão da resistividade?)
ressonância estocástica

Wilson-Cowan model
1
α
∂u(x, t)
∂t
= −u(x, t) +
∞
−∞
w(y)f (u (x − y, t − d)) dy
Versão estocástica + efeitos de campos magnéticos externos
(Transcranial magnetic stimulation - TMS)
Memória temporal, ru´ıdo colorido?
Forma¸cão de padrões, transi¸cões de fase etc

Ressonância estocástica em dinâmica neural
(∼ 1980) - Amplifica¸cão anômala de sinais de entrada através
de ru´ıdo: otimiza¸cão da intensidade do ru´ıdo
(Nature,1993) - Observa¸cão em sistemas biológicos: células
mecanoreceptoras do lagostim (crayfish) → papel construtivo
do ru´ıdo nos processos neurais.

Integra-e-dispara não-markoviano
Questão 1: mecanismo de ressonância estocástica sobrevive a uma
formula¸cão mais real´ıstica?
λ¨v(t) +
t
t0
dt KOU(t − t )˙v(t ) − g(v(t)) = I(t) + σ
√
2τξOU(t) ,
KOU(t − t ) = τe−τ(t−t )
˙ξOU = −τ ξOU −
√
2ση

Intensidade do noise dependente do tempo: σ(t) = t/200

Dinâmica estocástica em neurociência teórica

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (11)

Similar to Dinâmica estocástica em neurociência teórica

Similar to Dinâmica estocástica em neurociência teórica (6)

Dinâmica estocástica em neurociência teórica