Work

Parameter estimation of cerebellar stellate neuron model

Year: 2017
Type: dissertation
Abstract: La principale area della mia ricerca è la modellizzazione delle proprietà biofisiche dei neuroni del cervelletto. I modelli computazionali di neuroni sono descrizioni matematiche del loro funzionamento e sono importanti mezzi per lo studio di queste cellule. Saranno presentati i modelli che seguono la notazione matematica di Hodgkin e Huxley (HH) e i modelli descritti secondo la teoria degli Integrate and Fire e infine mi concentrerò sui modelli del cervelletto, essendo questa regione del sistema nervoso centrale il principale interesse della mia ricerca. La prima parte della tesi esamina la ricostruzione di un modello multi-compartimentale di singolo neurone, e in particolare verrà approfondito lo studio dettagliato della cellula stellata del cervelletto. Il modello si basa sulla notazione matematica di HH. Il modello riproduce le principali caratteristiche elettrofisiologiche del neurone, il funzionamento delle gap junctions e la trasmissione sinpatica, raggiungendo risultati soddisfacenti. Tuttavia, i più avanzati modelli descritti secondo HH richiedono la calibrazione di un vasto numero di parametri, che sono le conduttaze ioniche massime (Gi-max). L’assegnazione di un appropriato valore a ciascuna Gi-max, presenti nelle diverse sezioni della morfologia del modello, è un compito molto complesso. Dal momento che non possono essere determinate sperimentalmente, devono essere assegnate durante la fase di creazone del modello e accuratamente validate. La calibrazione manuale di questi parametri richiede una grande quantità di tempo e un elevato rischio di errore durante la procedura, per questo motivo sono stati studiati metodi automatici per la stima di parametri in grado di essere applicati per lo studio e la calibrazione delle Gi-max neuronali, ottenendo modelli ottimizzati in grado di riprodurre risutati ben comparabili con i risultati sperimentali. La seconda parte del lavoro, approfondisce un metodo di stima di parametri che si basa sulle tecniche di Swarm Intelligence. L’algoritmo particle swarm optimization (PSO) è appliacto per la prima volta per la calibrazione dei valori di Gi-max, portando ottimi risultati. Lo studio di questi problemi complessi è anche possibile con la parallela crescita di tecniche di high performing computing (HPC), in grado di parallelizzare i calcoli su macchine parallele e distribuite, in modo da diminuire i costi computazionali richiesti per le simuazioni. La metodologia è stata quindi implementata per potere essere usata con macchine parallele, come ad esempio computer cluster. La terza parte del progetto prevede invece lo studio di un’importante area delle neuroscienze che si occupa dello sviluppo neurnale, dagli stadi pre-natali ai post-natali. Mi concentrerò sullo sviluppo del cervelletto e sulla creazione di un framework teorico per lo sviluppo di un modello in grado di ricostruire le diverse fasi dello sviluppo. Prenderò in rassegna i diversi modelli esistenti, che modellizzazone singoli processi, com ad esempio il differenziamento neuronale e la crescita degli assoni e dei dendriti durante lo sviluppo, e gli strumenti utilizzati per la loro modellizzazione, valutando l’applicabilità per ricostruire l’intero sviluppo cerebellare.
Language: Galician
Open Access status: green
OpenAlex ID: W2784694418
Cites: 296
Cited by: 1
Related to: 10