Interacción funcional entre neuronas: aplicación en la retina
La función principal de las neuronas es la de codificar información: pueden codificar la información de un estimulo, transmitir ordenes a otras regiones o servir de enlace para otras neuronas, entre otras cosas. Al estudiar como una población de neuronas codifica información externa, es común que se...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2019
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/880/1/1Lorenz.pdf |
| Aporte de: |
| Sumario: | La función principal de las neuronas es la de codificar información: pueden codificar la información de un estimulo, transmitir ordenes a otras regiones o servir de enlace para otras neuronas, entre otras cosas. Al estudiar como una población de neuronas codifica información externa, es común que se analice la dependencia de esta información con la actividad individual de cada neurona, ignorando las correlaciones dentro de la población. Si bien esto contribuye en gran parte a caracterizar neuronas y poblaciones de ellas, se ha encontrado que las neuronas realizan cómputos complejos, a ´un en capas de bajo nivel, gracias a las interacciones entre neuronas de una misma capa. Por lo tanto, es necesario estudiar el comportamiento conjunto de las neuronas en la codificación.
Existen modelos que incorporan las interacciones entre pares de neuronas y que logran describir mejor el comportamiento de algunas poblaciones de neuronas. No obstante, no proveen una perspectiva completa a la hora de entender el origen de las correlaciones o la función que cumplen en la codificación del estímulos. En este trabajo proponemos una forma de entender esta codificación al buscar no solo las características del estimulo que inducen una respuesta de una determinada neurona sensorial, sino también aquellas que modulan la interacción entre esta y una neurona vecina de su mismo nivel.
Para ello, planteamos una distribución de probabilidad conjunta para el disparo de dos neuronas considerando que la correlación entre ellas es guiada por campos receptivos en el estímulo. A fin de poder calcular los parámetros de este modelo en datos experimentales construimos un estimador que discrimina los campos receptivos individuales de los de interacción, a ´un en casos de pocas muestras. Aplicamos el modelo a mediciones de células ganglionares de la retina de ratón. Encontramos evidencia de campos receptivos de la interacción inhibitorios y los resultados fueron consistentes con los obtenidos por el modelo marginal.
Además, las pruebas de validación hechas sobre el modelo muestran una mejora en la capacidad de predicción de datos en comparación al modelo de probabilidad marginal en tres de cuatro casos estudiados. |
|---|