Klasa NetCon (rozdzial 10 The NEURON book)

Prezentacja na temat: "Klasa NetCon (rozdzial 10 The NEURON book)"— Zapis prezentacji:

1 Klasa NetCon (rozdzial 10 The NEURON book)
Objekt klasy NetCon definiuje polaczenie synaptyczne pomiedzy komorka pre- i postsynaptyczna. NetCon posiada threshold, delay i weight. Gdy zmienna presynaptyczna (V) przekroczy threshold kierunku dodatnim w czasie t, po czasie t+delay wywolywana jest procedura NET_RECEIVE w neuronie postsynaptycznym i dostaje informacje o wartosci weight. Skladnia: section netcon = new NetCon(&v(x), target, thresh, del, wt) Target musi byc procesem punktowym zawierajacym blok NET_RECEIVE Threshold, delay i weight sa opcjonalne; wartosci domyslne: netcon.threshold = 10 // mV netcon.delay = 1 // ms netcon.weight = 0 // uS

2 Synapsa z eksponencjalnym zanikiem
Implementacja mechanizmu synaptycznego, w ktorym przewodnictwo g jest okreslone rownaniem rozniczkowym, ktorego rozwiazaniem jest g(t) = g(t0)exp[(t-t0)/tau], g(t0) – przewodnictwo w momencie przybycia ostatniego impulsu (t0), tau – stala czasowa zaniku. . STATE { g (microsiemens) } INITIAL { g = 0 } BREAKPOINT { SOLVE state METHOD cnexp i= g*(v - e) } DERIVATIVE state { g' = -g/tau } NET_RECEIVE(weight (microsiemens)) { g = g + weight : expsyn1.mod NEURON { POINT_PROCESS ExpSyn1 RANGE tau, e, i NONSPECIFIC_CURRENT i } PARAMETER { tau = 0.1 (ms) e= 0 (millivolt) ASSIGNED { v (millivolt) i (nanoamp)

3 Prosty model sieci IClamp Neuron 1 Neuron 2

4 Zachowanie modelu stimobj.i neuron[0].soma.v(0.5) neuron[1].soma.v(0.5)

5 Model sieci - struktura
PY IN Stosunek liczby PY:IN = 4:1

6 Model sieci - polaczenia Widok z boku:
AMPA PY IN AMPA GABA GABA Prawdopopodobienstwo oraz waga polaczenia synaptycznego powinny byc ustalone osobno dla kazdego z czterech rodzajów polaczeń. Parametry synapsy AMPA: tonset= 0.5 ms, tdecay= 5 ms, EAMPA = 0 mV Parametry synapsy GABA: tonset= 0.5 ms, tdecay= 2 ms, EGABA = -70 mV Wejscie zewnetrzne: nieskorelowane wejscie losowe do kazdej komorki PY

7 Zachowanie modelu Na wyjsciu chcielibysmy otrzymac:
przebieg potencjalu blonowego wybranej komorki przebieg sredniego potencjalu w obu populacjach rasterplot dla obu populacji shape plot chwilową czestosc odpalania dla każdej populacji pop_rate = timevec.histogram(0, tstop, 1) pop_rate.plot(g)