Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Dinâmica estocástica em neurociência teórica

309 views

Published on

  • Be the first to comment

  • Be the first to like this

Dinâmica estocástica em neurociência teórica

  1. 1. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosDinˆamica estoc´astica em neurociˆencia te´oricaLeandro A. da SilvaPUC-RioP´os-doutorado J´unior - CNPq (4/13 - 4/14)02/05/13
  2. 2. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultados1 Introdu¸c˜ao2 Motiva¸c˜oes3 Primeiros passos4 Primeiros resultados
  3. 3. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultados1 Introdu¸c˜ao2 Motiva¸c˜oes3 Primeiros passos4 Primeiros resultados
  4. 4. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosPor que ´e interessante estudar neurociˆencia hoje?Grande desenvolvimento e difus˜ao de novas t´ecnicas experimentais:
  5. 5. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosPor que ´e interessante estudar neurociˆencia hoje?Grande desenvolvimento e difus˜ao de novas t´ecnicas experimentais:fMRI - (functional magnetic resonance imaging)
  6. 6. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosPor que ´e interessante estudar neurociˆencia hoje?Grande desenvolvimento e difus˜ao de novas t´ecnicas experimentais:Captura de atividades com multieletrodos
  7. 7. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosPor que ´e interessante estudar neurociˆencia hoje?Grande desenvolvimento e difus˜ao de novas t´ecnicas experimentais:TMS - Trancranial Magnetic Stimulation
  8. 8. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosPor que ´e interessante estudar neurociˆencia hoje?Grande desenvolvimento e difus˜ao de novas t´ecnicas experimentais:Interfaces c´erebro-m´aquina
  9. 9. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosPor que ´e interessante estudar neurociˆencia hoje?Neurociˆencia:“data-rich yet theory-poor”
  10. 10. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosPor que ´e interessante estudar neurociˆencia hoje?Neurociˆencia:“data-rich yet theory-poor”Sistema nervoso/c´erebro: “More is different”
  11. 11. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosMecanismo neuronal b´asico
  12. 12. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosMecanismo neuronal b´asico
  13. 13. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosMecanismo neuronal b´asicoOnde est´a a informa¸c˜ao?
  14. 14. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosMecanismo neuronal b´asicoOnde est´a a informa¸c˜ao?Neurˆonio: exemplo de threshold model (avalanche, comportamentocoletivo etc)
  15. 15. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosRu´ıdo neuralPrincipais fontes de flutua¸c˜oes na dinˆamica neural:Abertura e fechamento de canais iˆonicosLibera¸c˜ao de neurotransmissores pelas sinapsesEntradas sin´apticas provenientes do “ambiente” (∼ 104jun¸c˜oes sin´apticas por neurˆonio)
  16. 16. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosAbordagens te´oricas:Qual escala?1 neurˆonioHodgkin-Huxley (HH) modelIntegrate-and-fire (leaky, estoc´astico)Passive cable modelN neurˆoniosIntera¸c˜oes numa rede discreta finitacampos neuraisclasse de modelos tipo Wilson-Cowan
  17. 17. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelos te´oricos:Nonlinear stochastic integrate-and-fire model:τdv(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:1α∂u(x, t)∂t= −u(x, t) +∞−∞w(y)f (u (x − y, t − d)) dy
  18. 18. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultados1 Introdu¸c˜ao2 Motiva¸c˜oes3 Primeiros passos4 Primeiros resultados
  19. 19. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosAnalogia com a F´ısica Estat´ısticaSistemas na natureza = isolados↓Intera¸c˜ao com um meio↓Dissipa¸c˜ao e efeitos estoc´asticos↓Dinˆamica via eq. tipo Langevin
  20. 20. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosMovimento BrownianoEq. de Langevin para uma part´ıcula browniana de massa m:dpdt= −∂V∂x− ηp + R(t)dxdt=pm,Propriedades do ru´ıdo branco ⇒ Teorema de flutua¸c˜ao-dissipa¸c˜aocl´assicoR(t) = 0 e R(t)R(t ) = 2kBTηδ(t − t )
  21. 21. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelos de intera¸c˜ao sistema-banhoProblema: deriva¸c˜oes mais real´ısticas → dissipa¸c˜aon˜ao-Markoviana (mem´oria e ru´ıdo colorido)Exemplo 1:
  22. 22. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelos de intera¸c˜ao sistema-banhoProblema: deriva¸c˜oes mais real´ısticas → dissipa¸c˜aon˜ao-Markoviana (mem´oria e ru´ıdo colorido)Exemplo 1:Modelo de Caldeira-Leggett (1983) :Sistema (q) em intera¸c˜ao com um banho (xα, α = 1, . . . , N) :H =p22+ V (q) +12Nα=1p2αmα+ mαωα xα −cαmαω2αF(q)2Tomando a intera¸c˜ao sistema-banho como sendo linear (∼ qxα⇒ F(q) = q e eliminando os graus de liberdade do banho:
  23. 23. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelos de intera¸c˜ao sistema-banho¨q(t) +t0dt Λ(t − t ) ˙q(t ) + V [q(t)] = ξ(t)Λ(t − t ) = Θ(t − t )1MNα=1c2αmαω2αcos(ωαt)⇒ Equa¸c˜ao n˜ao-Markoviana (kernel n˜ao-local Λ(t − t ), possuimem´oria da hist´oria passada) com ru´ıdo gaussiano e colorido:ξ(t) ρ(0)B= 0, ξ(t)ξ(t ) ρ(0)B= kBTΛ(t − t )
  24. 24. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelos de intera¸c˜ao sistema-banhoExemplo 2 1:Cosmologia do universo primordial:S[φ, χ, σ] = d4x12(∂µφ)2−12m2φφ2−λ4!φ4+12(∂µχ)2−12m2χχ2+12(∂µσ)2−12m2σσ2−g22φ2χ2− fχσ2.φ → campo cl´assico em cuja dinˆamica estamos interessadosχ → campo intermedi´ario que se acopla `a σ e φσ → campo em equil´ıbrio t´ermico `a temperatura T1Rep. Prog. Phys. 72,026901(2009)
  25. 25. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelos de intera¸c˜ao sistema-banhoProcedimento: integrar funcionalmente os campos χ e σ.Situa¸c˜oes fora do equil´ıbrio → Formalismo de tempo realEqua¸c˜ao de movimento efetiva (aproxima¸c˜ao homogˆenea):d2φc(t)dt2+dVeff(φc)dφc+ φc(t)t−∞dt φc(t ) ˙φc(t )Kχ(t − t )= φc (t) ξ (t) ,ondeVeff(φc) =12m2φφ2c +λ4!φ4c
  26. 26. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelos de intera¸c˜ao sistema-banhoξ(t)ξ(t ) = 2g4 d3q(2π)314ω2χ(q){2nχ [1 + nχ] ++ [1 + 2nχ + 2n2χ] cos 2ωχ|t − t | ++ 2βΓχ(q)nχ[1 + nχ][1 + 2nχ] sin[2ωχ|t − t |] ×× e−2Γχ(q)|t−t |+ O g4Γ2χT2≡ N(t, t ) .
  27. 27. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelos de intera¸c˜ao sistema-banhoOutras aplica¸c˜oes:Colis˜ao de ´ıons-pesados, f´ısica hadrˆonica (Physics Reports 292,3-4, (1998))Problema de descoerˆencia em sistemas de dois n´ıveis (qubits) (Phys.Rev. A 73, 012111 (2006), Phys. Rev. A 71, 022109 (2005))Descri¸c˜ao de processos difusivos anˆomalos (Phys. Rev. Lett. 93,180603 (2004), Phys. Rev. E 53, 5872-5881 (1996) )etc
  28. 28. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosId´eia central 1:Inserir nos modelos fenomenol´ogicos neurais efeitos de ru´ıdocolorido em conjunto com um feedback distribu´ıdo (mem´oria),o que parece ser a situa¸c˜ao f´ısica mais real´ıstica.
  29. 29. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosId´eia central 1:Inserir nos modelos fenomenol´ogicos neurais efeitos de ru´ıdocolorido em conjunto com um feedback distribu´ıdo (mem´oria),o que parece ser a situa¸c˜ao f´ısica mais real´ıstica.O que ´e esperado? Dado um conjunto de parˆametros quecaracteriza o sistema e o ambiente, a aproxima¸c˜ao markovianapode ou n˜ao ser satisfat´oria:
  30. 30. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosAproxima¸c˜ao markovianaEqua¸c˜ao de movimento n˜ao-markoviana:d2dt2φ(t) + V (φ) + φn(t)tt0dt K(t − t )φn(t ) ˙φ(t )= φn(t)ξ(t) .Aproxima¸c˜ao markoviana:φn(t)tt0dt K(t − t )φn(t ) ˙φ(t ) φ2n(t) ˙φ(t)tt0→−∞dt K(t − t )→ Q φ2n(t) ˙φ(t) .Equa¸c˜ao de movimento markoviana:¨φ(t) + Q φ2n(t) ˙φ(t) + m2φφ +λ6φ3= φn(t) ξ(t)
  31. 31. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosTipos de ru´ıdoKOU (t − t ) ≡ Kernel de Ornstein-Uhlenbeck: exponencialpuraKH(t − t ) ≡ Kernel harmˆonico: exponencial multiplicandotermo oscilat´orio
  32. 32. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosTipos de ru´ıdoKOU (t − t ) ≡ Kernel de Ornstein-Uhlenbeck: exponencialpuraKH(t − t ) ≡ Kernel harmˆonico: exponencial multiplicandotermo oscilat´orioKOU (t − t ) + KH(t − t )
  33. 33. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosTipos de ru´ıdoKOU (t − t ) ≡ Kernel de Ornstein-Uhlenbeck: exponencialpuraKH(t − t ) ≡ Kernel harmˆonico: exponencial multiplicandotermo oscilat´orioKOU (t − t ) + KH(t − t )Equa¸c˜ao de movimento mais geral:¨φ(t) + V (φ) =1n=0 lφn(t) ξl(t) −tt0dt Kl(t − t )φn(t ) ˙φ(t ) .Ru´ıdo colorido:ξl(t)ξl(t ) = TKl(t − t ) ,
  34. 34. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosSistema localPodemos mapear uma equa¸c˜ao n˜ao-markovianaatrav´es de um sistema de equa¸c˜oes markovianas
  35. 35. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosSistema 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+ = −m2wH+ + ˙KH(0)y − 2γKH(0)y˙uHX = −m2wHX + ˙KH(0)φy − 2γKH(0)φy˙ξH = zH˙zH = −2γzH − m2ξH + m22TQζ˙ξOU = −γ ξOU − 2TQζ
  36. 36. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosCompara¸c˜ao entre as dinˆamicas markoviana en˜ao-markovianaEx: Caso OU aditivoEqua¸c˜ao de Movimento¨φ(t) + m2φφ +λ6φ3= ξOU (t) −t0dt KOU (t − t ) ˙φ(t ) ,correspondente sistema local˙φ = y˙y = −m2φφ −λ6φ3+ ξ0U + wO+˙wO+ = −γwO+ − KOU (0)y˙ξOU = −γ ξOU − 2TQζ .
  37. 37. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosCaso OU aditivo: (a) γ = 0, 5, (b) γ = 1, 0 e (c) γ = 5, 0
  38. 38. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosCompara¸c˜ao entre as dinˆamicas markoviana en˜ao-markovianaEx: Caso harmˆonico aditivoEqua¸c˜ao de Movimento¨φ(t) + m2φφ +λ6φ3= ξH(t) −t0dt KH(t − t ) ˙φ(t ) ,correspondente sistema local˙φ = y˙y = −m2φφ −λ6φ3+ ξH + wH+˙wH+ = uH+ − 2γwH+ − KH(0)y˙uH+ = −m2wH+ + ˙KH(0)y − 2γKH(0)y˙ξH = zH˙zH = −2γzH − m2ξH + m22TQζ .
  39. 39. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosCaso harmˆonico aditivo: (a) γ = 0, 1, (b) γ = 0, 3 e (c) γ = 0, 5
  40. 40. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosId´eia central 2: Efeitos da n˜ao-linearidadeComo a discrepˆancia entre as dinˆamicas markovianae n˜ao-markoviana ´e afetada pela n˜ao-linearidade doseu potencial?
  41. 41. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosId´eia central 2: Efeitos da n˜ao-linearidadeComo a discrepˆancia entre as dinˆamicas markovianae n˜ao-markoviana ´e afetada pela n˜ao-linearidade doseu potencial?V (φ) = mφ22+λ4φ4∆φ = φ non−Markovian − φ MarkovianFixando η = 1.0, T = 1.0, Ω0 = 1.0, m2= 1.0 eγ = 0.5 (EDH case) ou γ = 5.0 (OU case).
  42. 42. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosEfeitos da n˜ao-linearidade: caso harmˆonicoFigure: Painel esquerdo: ru´ıdo aditivo. Painel direito: ru´ıdo multiplicativo
  43. 43. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosEfeitos da n˜ao-linearidade: caso OUFigure: Painel esquerdo: ru´ıdo aditivo. Painel direito: ru´ıdo multiplicativo
  44. 44. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultados1 Introdu¸c˜ao2 Motiva¸c˜oes3 Primeiros passos4 Primeiros resultados
  45. 45. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosModelo integra-e-disparaProposta de generaliza¸c˜ao:λ¨v(t)−g(v(t)) = I(t)+1n=0 lvn(t) ξl(t) −tt0dt Kl(t − t )vn(t )˙v(t )Principais motiva¸c˜oes decorrentes:ressonˆancia estoc´asticamecanismos de bifurca¸c˜aoefeito de entradas sin´apticas em diferentes escalas de tempocaracter´ısticas
  46. 46. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosPassive Cable modelτ∂v(x, t)∂t= λ2 ∂2v(x, t)∂x2− v(x, t)Vers˜ao estoc´astica + efeitos de campos magn´eticos externos(Transcranial magnetic stimulation - TMS)mem´oria, ru´ıdo colorido?efeitos de temperatura (modifica¸c˜ao da resistividade?)ressonˆancia estoc´astica
  47. 47. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosWilson-Cowan model1α∂u(x, t)∂t= −u(x, t) +∞−∞w(y)f (u (x − y, t − d)) dyVers˜ao estoc´astica + efeitos de campos magn´eticos externos(Transcranial magnetic stimulation - TMS)Mem´oria temporal, ru´ıdo colorido?Forma¸c˜ao de padr˜oes, transi¸c˜oes de fase etc
  48. 48. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultados1 Introdu¸c˜ao2 Motiva¸c˜oes3 Primeiros passos4 Primeiros resultados
  49. 49. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosRessonˆancia estoc´astica em dinˆamica neural(∼ 1980) - Amplifica¸c˜ao anˆomala de sinais de entrada atrav´esde ru´ıdo: otimiza¸c˜ao da intensidade do ru´ıdo(Nature,1993) - Observa¸c˜ao em sistemas biol´ogicos: c´elulasmecanoreceptoras do lagostim (crayfish) → papel construtivodo ru´ıdo nos processos neurais.
  50. 50. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosIntegra-e-dispara n˜ao-markovianoQuest˜ao 1: mecanismo de ressonˆancia estoc´astica sobrevive a umaformula¸c˜ao mais real´ıstica?λ¨v(t) +tt0dt KOU(t − t )˙v(t ) − g(v(t)) = I(t) + σ√2τξOU(t) ,KOU(t − t ) = τe−τ(t−t )˙ξOU = −τ ξOU −√2ση
  51. 51. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosIntegra-e-dispara n˜ao-markoviano
  52. 52. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosIntegra-e-dispara n˜ao-markovianoIntensidade do noise dependente do tempo: σ(t) = t/200
  53. 53. Outline Introdu¸c˜ao Motiva¸c˜oes Primeiros passos Primeiros resultadosIntegra-e-dispara n˜ao-markoviano

×