Modelowanie ukladu nerwowego Semestr zimowy 2013/14
Spis zagadnien Elektryczne własności neuronów Prądy jonowe Kanały napięciowozależne Modele punktowe Model Integrate-and-Fire Model Hodgkina-Huxleya Modele synapsy Teoria kablowa, model Ralla Modele realistyczne neuronów Modele małych sieci Analiza pobudliwości i oscylacji Modele dużych sieci.
Literatura Nicholas T. Carnevale, Michael L. Hines, The NEURON Book (free pdf) Peter Dayan and Laurence F. Abbott Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems (free pdf) Wulfram Gerstner and Werner M. Kistler, Spiking Neuron Models: Single Neurons, Populations, Plasticity (free html) G. Bard Ermentrout and David H. Terman, Mathematical Foundations of Neuroscience (free pdf)
Modelowanie układu nerwowego (computational neurosicence) Modelowanie układu nerwowego zajmuje sie badaniem funkcji mózgu pod kątem procesowania informacji w strukturach układu nerwowego. Jest to dziedzina interdyscyplinarna łącząca takie dziedziny nauki jak: badanie układu nerwowego, kongnitywistyka, psychologia z inżynierią, informatyką, matematyką i fizyką. Computational neuroscience is the study of brain function in terms of the information processing properties of the structures that make up the nervous system. It is an interdisciplinary science that links the diverse fields of neuroscience, cognitive science, and psychology with electrical engineering, computer science, mathematics, and physics. (http://en.wikipedia.org/wiki/Computational_neuroscience)
Modelowanie układu nerwowego - początki Pojęcie “Modelowanie układu nerwowego” (“ computational neuroscience”) zostało wprowadzone w roku 1985 na konferencji w Caramel (Kalifornia). Prace z modelowania matematycznego neuronów pojawiały sie juz wczesniej: Louis Lapicque - Integrate and fire neuron (1907) Model Hodgkina-Huxleya (1952) Wilfrid Rall - teoria kablowa zastosowana do neuronów (1957) David Marr – obliczeniowe teorie działania móżdżku (1969), kory nowej (1970) i hipokampa (1971).
Modelowanie układu nerwowego – czasy obecne BLUE BRAIN: 2005, pod kierownictwem Henryego Markrama, zespół neuronaukowców i informatyków z École Polytechnique Fédérale de Lausanne, w Szwajcarii, przeprowadzil na supercomputerze IBM symulacje 1cm2 kory mózgowej. C2: 2009, zespół IBM Almaden (Kalifornia), zbudował symulator kory mózgowej na superkomuterach Dawn Blue Gene/P w Lawrence Livermore National Laboratory. Symulator C2 zawiera 109 neuronów i 1012 synaps, co odpowiada mózgowi małego ssaka. NEUROGRID: Kwabena Boahen z Uniwersytetu Stanforda opracował krzemowy układ scalony do symulacji aktywnosci I nauki 105 neuronow i 109 synaps. Celem badan sa implanty retinowe. IFAT 4G: na Johns Hopkins University, Ralph Etienne-Cumming opracował Integrate and Fire Array Transceiver IV generacji, składający się z 60 000 neuronów i 120 milionów synaps. Wcześniejsza wersja tego układu była zastosowana jako model kory wzrokowej do rozpoznawania przedmiotów. BRAINSCALES: projekt EU, ktorego celem jest układ scalony Fast Analog Computing with Emergent Transient States (FACETS) odtwarzający własności układu nerwowego. Realistyczne neurony zawierają do 16 000 synaps. HUMAN BRAIN PROJECT: celem projektu jest symulacja ludzkiego mózgu (budzet 100 milionow Euro).
Modelowanie układu nerwowego – czasy obecne The IBM Brain Wall – narzędzie do wizualizacji jednoczesnej aktywności 262,144 neuronów. Każdy neuron jest reprezentowany przez pojedynczy pixel. Większe sieci mogą być wizualizowane poprzez grupowanie wielu neuronów w pixele.
Mózg vs. komputer
DARPA SyNAPSE Program SyNAPSE - Systems of Neuromorphic Adaptive Plastic Scalable Electronics Projekt 2008 – 2016 (budzet dotychczasowy 2013, 102 miliony USD ) Cel: układ mikroprocesorów odtwarzajacy 1010 neuronow, 1014 synaps, pobór mocy: 1 kW, objętość: 2 litry ~ ludzki mózg (pobor mocy 20 W). Sposób: układ wielordzeniowych mikroprocesorów, każdy scalony z milionem memristorów Macierz memristorów zintegrowana z obwodem CMOS (mikroprocesorem)
Dlaczego modelowanie? Aby zrozumiec dzialanie mozgu, potrzebne jest uzyskanie informacji z wielu roznych kategorii: Anatomia poszczegolnych neuronow, ich polaczen, grup (ang. nuclei) i wyzszego poziomu organizacji (obwody) Farmakologia kanalow jonowych, neuroprzekaznikow, modulatorow I receptorow Biochemia i biologia molekularna enzymow, czynnikow wzrostu I genow bioracych udzial w rozwoju I dzialaniu mozgu, percepcji, zachowaniu, uczeniu I chorobach. Uzyskanie tej wiedzy jest konieczne ale nie wystarczajace do pelnego zrozumienia funkcjonowania mózgu. Procesowanie informacji zalezy od rozchodzenia sie I oddzialywania sygnalow chemicznych I elektrycznych w czasie i w przestrzeni. Sygnaly te sa regulowane I generowane przez zlozone nieliniowe mechanizmy i zlozone struktury anatomiczne. Hipotezy dotyczace tych mechanizmow I sygnalow wymaja weryfikacji, ktora mozna przeprowadzic na modelu obliczeniowym. Modelowanie jest zatem niezwykle cennym sposobem na uzykanie wgladu w działanie mozgu. Symulacje sa w stanie zmaksymalizowac stosunek uzykanego wgladu do wlozonego wysilku.
Kroki w tworzeniu modelu Model koncepcyjny zawiera najwazniejsze skladowe, ktore leza u podstaw danej funkcji lub wlasnosci układu fizycznego. Opracowanie modelu koncepcyjnego wymaga uproszczenia I abstrahowania. Model koncepcyjny jest najczęściej wyrażony w postaci równań matematycznych, czasem w formie algorytmu komputerowego. Model obliczeniowy jest wiernym przelozeniem modelu koncepcyjnego na symulacje komputerowa.
Kroki w tworzeniu modelu - przykład Jezyk hoc (High Order Calculator) – język interpretowany do pisania skryptow w symulatorze Neuron
Dostępne symulatory BRIAN, a Python based simulator Emergent, neural simulation software. GENESIS, a general neural simulation system. ModelDB, a large open-access database of program codes of published computational neuroscience models. Nengo, a Python scriptable, GUI simulator for large-scale neural models NEST, a simulation tool for large neuronal systems. Neuroconstruct, software for developing biologically realistic 3D neural networks. NEURON, a neuron simulator also useful to simulate neural networks. SNNAP, a single neuron and neural network simulator tool. ReMoto, a web-based simulator of the spinal cord and innervated muscles of the human leg. EDLUT, a simulation software for large-scale neural networks and real-time control systems. http://en.wikipedia.org/wiki/Computational_neuroscience