Hispanopedia Wiki
Articulo de referencia

Neurociencia computacional

La neurociencia computacional (también conocida como neurociencia teórica o neurociencia matemática ) es una rama de la neurociencia que emplea las matemáticas , la informática ...

Hispanopedia WikiContenido en espanolLectura gratuita

La neurociencia computacional (también conocida como neurociencia teórica o neurociencia matemática ) es una rama de la neurociencia que emplea las matemáticas , la informática , el análisis teórico y las abstracciones del cerebro para comprender los principios que rigen el desarrollo , la estructura , la fisiología y las capacidades cognitivas del sistema nervioso . [ 1 ] [ 2 ] [ 3 ] [ 4 ]  

La neurociencia computacional emplea simulaciones computacionales [ 5 ] para validar y resolver modelos matemáticos, por lo que puede considerarse un subcampo de la neurociencia teórica; sin embargo, ambos campos suelen ser sinónimos. [ 6 ] El término neurociencia matemática también se utiliza a veces para enfatizar la naturaleza cuantitativa del campo. [ 7 ]

La neurociencia computacional se centra en la descripción de neuronas biológicamente plausibles (y sistemas neuronales ) y su fisiología y dinámica. Por lo tanto, no se ocupa directamente de los modelos biológicamente irreales utilizados en el conexionismo , la teoría de control , la cibernética , la psicología cuantitativa , el aprendizaje automático , las redes neuronales artificiales , la inteligencia artificial y la teoría del aprendizaje computacional ; [ 8 ] [ 9 ] [ 10 ] aunque existe inspiración mutua y a veces no hay un límite estricto entre campos, [ 11 ] [ 12 ] [ 13 ] y la abstracción del modelo en la neurociencia computacional depende del alcance de la investigación y la granularidad con la que se analizan las entidades biológicas.

En neurociencia teórica, los modelos buscan capturar las características esenciales del sistema biológico en múltiples escalas espacio-temporales, desde las corrientes de membrana y el acoplamiento químico, pasando por las oscilaciones de la red neuronal , la arquitectura columnar y topográfica, los núcleos celulares, hasta facultades psicológicas como la memoria, el aprendizaje y el comportamiento. Estos modelos computacionales plantean hipótesis que pueden ser contrastadas directamente mediante experimentos biológicos o psicológicos.

Historia

El término «neurociencia computacional» fue introducido por Eric L. Schwartz , quien organizó una conferencia, celebrada en 1985 en Carmel, California , a petición de la Systems Development Foundation para proporcionar un resumen del estado actual de un campo que hasta ese momento se conocía con diversos nombres, como modelado neuronal, teoría cerebral y redes neuronales. Las actas de esta reunión definitoria se publicaron en 1990 como el libro Neurociencia Computacional . [ 14 ] La primera de las reuniones internacionales abiertas anuales centradas en la Neurociencia Computacional fue organizada por James M. Bower y John Miller en San Francisco, California, en 1989. [ 15 ] El primer programa de educación de posgrado en neurociencia computacional se organizó como el programa de doctorado en Computación y Sistemas Neuronales en el Instituto Tecnológico de California en 1986.

Las primeras raíces históricas del campo [ 16 ] se pueden rastrear al trabajo de personas como Louis Lapicque , Hodgkin y Huxley , Hubel y Wiesel , y David Marr . Lapicque introdujo el modelo de integración y disparo de la neurona en un artículo seminal publicado en 1907, [ 17 ] un modelo que sigue siendo popular para los estudios de redes neuronales artificiales debido a su simplicidad (véase una revisión reciente [ 18 ] ).

En 1952, Hodgkin y Huxley utilizaron los experimentos de fijación de voltaje en el axón gigante del calamar para caracterizar las corrientes iónicas subyacentes al potencial de acción y formularon el modelo de Hodgkin-Huxley . [ 19 ] Hubel y Wiesel descubrieron que las neuronas en la corteza visual primaria , la primera área cortical en procesar información proveniente de la retina , tienen campos receptivos orientados y están organizadas en columnas. [ 20 ] El trabajo de David Marr se centró en las interacciones entre neuronas, sugiriendo enfoques computacionales para el estudio de cómo los grupos funcionales de neuronas dentro del hipocampo y la neocorteza interactúan, almacenan, procesan y transmiten información. El modelado computacional de neuronas y dendritas biofísicamente realistas comenzó con el trabajo de Wilfrid Rall , con el primer modelo multicompartimental que utilizaba la teoría de cables .

Temas principales

La investigación en neurociencia computacional puede clasificarse, a grandes rasgos, en varias líneas de investigación. La mayoría de los neurocientíficos computacionales colaboran estrechamente con los experimentalistas en el análisis de datos novedosos y la síntesis de nuevos modelos de fenómenos biológicos.

Modelado de neuronas individuales

Incluso una sola neurona posee características biofísicas complejas y puede realizar cálculos (p. ej. [ 21 ] ). El modelo original de Hodgkin-Huxley incluía una corriente de sodio rápida, una corriente de potasio rectificadora retardada y una corriente de fuga. [ 22 ] Si bien logró predecir la sincronización y las características cualitativas del potencial de acción, no consiguió predecir varias características importantes, como la adaptación y la derivación . Actualmente, los científicos creen que existe una amplia variedad de corrientes sensibles al voltaje, y las implicaciones de las diferentes dinámicas, modulaciones y sensibilidad de estas corrientes constituyen un tema importante de la neurociencia computacional. [ 23 ]

Las funciones computacionales de las dendritas complejas también son objeto de intensa investigación. Existe una amplia bibliografía sobre cómo interactúan las diferentes corrientes con las propiedades geométricas de las neuronas. [ 24 ]

Existen numerosos paquetes de software, como GENESIS y NEURON , que permiten la modelización in silico rápida y sistemática de neuronas realistas. Blue Brain , un proyecto fundado por Henry Markram de la École Polytechnique Fédérale de Lausanne , tiene como objetivo construir una simulación biofísicamente detallada de una columna cortical en la supercomputadora Blue Gene .

Modelar la riqueza de las propiedades biofísicas a escala de neurona individual puede proporcionar mecanismos que sirven como bloques de construcción para la dinámica de la red. [ 25 ] Sin embargo, las descripciones detalladas de las neuronas son computacionalmente costosas y este costo computacional puede limitar la realización de investigaciones de redes realistas, donde se necesita simular muchas neuronas. Como resultado, los investigadores que estudian grandes circuitos neuronales suelen representar cada neurona y sinapsis con un modelo artificialmente simple, ignorando gran parte del detalle biológico. Por lo tanto, existe un impulso para producir modelos neuronales simplificados que puedan conservar una fidelidad biológica significativa con una baja sobrecarga computacional. Se han desarrollado algoritmos para producir modelos neuronales sustitutos simplificados, fieles y de ejecución más rápida a partir de modelos neuronales detallados y computacionalmente costosos. [ 26 ]

Modelado de las interacciones neurona-glia

Las células gliales participan significativamente en la regulación de la actividad neuronal tanto a nivel celular como de red. La modelización de esta interacción permite esclarecer el ciclo del potasio , [ 27 ] [ 28 ] tan importante para mantener la homeostasis y prevenir las crisis epilépticas. La modelización revela el papel de las protrusiones gliales que pueden penetrar en algunos casos la hendidura sináptica para interferir con la transmisión sináptica y, por lo tanto, controlar la comunicación sináptica. [ 29 ]

Desarrollo, organización axonal y guía

La neurociencia computacional busca abordar una amplia gama de preguntas, entre ellas: ¿Cómo se forman los axones y las dendritas durante el desarrollo? ¿Cómo saben los axones a dónde dirigirse y cómo alcanzar esos objetivos? ¿Cómo migran las neuronas a la posición adecuada en los sistemas central y periférico? ¿Cómo se forman las sinapsis? Sabemos, gracias a la biología molecular, que distintas partes del sistema nervioso liberan señales químicas específicas, desde factores de crecimiento hasta hormonas , que modulan e influyen en el crecimiento y desarrollo de las conexiones funcionales entre neuronas.

Las investigaciones teóricas sobre la formación y el patrón de las conexiones y la morfología sinápticas aún están en sus inicios. Una hipótesis que ha captado recientemente cierta atención es la hipótesis del cableado mínimo , que postula que la formación de axones y dendritas minimiza eficazmente la asignación de recursos al tiempo que mantiene el máximo almacenamiento de información. [ 30 ]

Procesamiento sensorial

Los primeros modelos sobre el procesamiento sensorial, entendidos dentro de un marco teórico, se atribuyen a Horace Barlow . De forma similar a la hipótesis del cableado mínimo descrita en la sección anterior, Barlow entendió que el procesamiento de los primeros sistemas sensoriales era una forma de codificación eficiente , donde las neuronas codificaban información que minimizaba el número de impulsos. Desde entonces, trabajos experimentales y computacionales han respaldado esta hipótesis de una u otra forma. Por ejemplo, en el procesamiento visual, la codificación eficiente se manifiesta en la codificación espacial, la codificación del color, la codificación temporal/de movimiento, la codificación estereoscópica y combinaciones de estas. [ 31 ]

Más adelante en la vía visual, incluso la información visual codificada de manera eficiente es demasiado para la capacidad del cuello de botella de información, el cuello de botella de atención visual. [ 32 ] Una teoría posterior, la Hipótesis de Saliencia V1 (V1SH) , se ha desarrollado sobre la selección atencional exógena de una fracción de la entrada visual para su posterior procesamiento, guiada por un mapa de saliencia ascendente en la corteza visual primaria. [ 33 ]

La investigación actual sobre el procesamiento sensorial se divide entre la modelización biofísica de diferentes subsistemas y una modelización más teórica de la percepción. Los modelos actuales de percepción sugieren que el cerebro realiza algún tipo de inferencia bayesiana e integración de información sensorial diversa para generar nuestra percepción del mundo físico. [ 34 ] [ 35 ]

Control del motor

Se han desarrollado numerosos modelos sobre cómo el cerebro controla el movimiento. Esto incluye modelos de procesamiento cerebral, como el papel del cerebelo en la corrección de errores, el aprendizaje de habilidades en la corteza motora y los ganglios basales, o el control del reflejo vestíbulo-ocular. También incluye muchos modelos normativos, como los bayesianos o de control óptimo, que se basan en la idea de que el cerebro resuelve sus problemas de manera eficiente.

Memoria y plasticidad sináptica

Los primeros modelos de memoria se basan principalmente en los postulados del aprendizaje hebbiano . Se han desarrollado modelos biológicamente relevantes, como la red de Hopfield, para abordar las propiedades de la memoria asociativa (también conocida como "direccionable por contenido") que se produce en los sistemas biológicos. Estos intentos se centran principalmente en la formación de la memoria a medio y largo plazo , localizada en el hipocampo .

Uno de los principales problemas de la memoria neurofisiológica radica en cómo se mantiene y se modifica a través de múltiples escalas temporales. Las sinapsis inestables son fáciles de entrenar, pero también propensas a la disrupción estocástica. Las sinapsis estables se olvidan con menos facilidad, pero también son más difíciles de consolidar. Es probable que las herramientas computacionales contribuyan significativamente a nuestra comprensión del funcionamiento y los cambios de las sinapsis en relación con los estímulos externos en las próximas décadas.

Comportamientos de las redes

Las neuronas biológicas se conectan entre sí de forma compleja y recurrente. Estas conexiones, a diferencia de la mayoría de las redes neuronales artificiales , son escasas y generalmente específicas. Se desconoce cómo se transmite la información a través de estas redes con conexiones escasas, aunque se conocen con cierto detalle áreas específicas del cerebro, como la corteza visual . [ 36 ] También se desconocen las funciones computacionales de estos patrones de conectividad específicos, si es que las tienen.

Las interacciones de las neuronas en una red pequeña a menudo se pueden reducir a modelos simples como el modelo de Ising . La mecánica estadística de estos sistemas simples está bien caracterizada teóricamente. Algunas evidencias recientes sugieren que la dinámica de redes neuronales arbitrarias se puede reducir a interacciones por pares. [ 37 ] Sin embargo, se desconoce si dicha dinámica descriptiva aporta alguna función computacional importante. Con la aparición de la microscopía de dos fotones y la obtención de imágenes de calcio , ahora contamos con potentes métodos experimentales para probar las nuevas teorías sobre redes neuronales.

En algunos casos, las complejas interacciones entre neuronas inhibitorias y excitatorias pueden simplificarse utilizando la teoría de campo medio , lo que da lugar al modelo poblacional de redes neuronales. [ 38 ] Si bien muchos neuroteóricos prefieren estos modelos con complejidad reducida, otros argumentan que descubrir las relaciones estructurales-funcionales depende de incluir la mayor cantidad posible de estructura neuronal y de red. Los modelos de este tipo se construyen típicamente en grandes plataformas de simulación como GENESIS o NEURON. Se han realizado algunos intentos para proporcionar métodos unificados que conecten e integren estos niveles de complejidad. [ 39 ]

Atención visual, identificación y categorización

La atención visual puede describirse como un conjunto de mecanismos que limitan cierto procesamiento a un subconjunto de estímulos entrantes. [ 40 ] Los mecanismos atencionales dan forma a lo que vemos y sobre lo que podemos actuar. Permiten la selección concurrente de cierta información (preferiblemente, relevante) y la inhibición de otra información. Para tener una especificación más concreta del mecanismo subyacente a la atención visual y la vinculación de características, se han propuesto varios modelos computacionales que buscan explicar los hallazgos psicofísicos. En general, todos los modelos postulan la existencia de un mapa de prominencia o prioridad para registrar las áreas potencialmente interesantes de la entrada retiniana, y un mecanismo de compuerta para reducir la cantidad de información visual entrante, de modo que los limitados recursos computacionales del cerebro puedan manejarla. [ 41 ] Un ejemplo de teoría que se está probando ampliamente conductual y fisiológicamente es la Hipótesis de la Prominencia V1 que dice que se crea un mapa de prominencia ascendente en la corteza visual primaria para guiar la atención exógenamente. [ 33 ] La neurociencia computacional proporciona un marco matemático para estudiar los mecanismos involucrados en la función cerebral y permite la simulación y predicción completas de síndromes neuropsicológicos.

Cognición, discriminación y aprendizaje

Los estudios computacionales de las funciones cognitivas superiores utilizan diferentes tipos de evidencia, incluyendo datos conductuales, imágenes cerebrales, registros electrofisiológicos y experimentos de perturbación en humanos y otros animales. [ 42 ] El lóbulo frontal y el lóbulo parietal funcionan como integradores de información de múltiples modalidades sensoriales. Existen algunas ideas tentativas sobre cómo los circuitos funcionales simples mutuamente inhibitorios en estas áreas pueden llevar a cabo computación biológicamente relevante. [ 43 ]

Trabajos más recientes utilizan redes neuronales artificiales optimizadas para tareas como modelos de computación neuronal. [ 44 ] Estos modelos pueden evaluarse comparando su comportamiento y representaciones internas con datos neuronales y conductuales, y probando cómo los cambios en la arquitectura, las funciones objetivo o las reglas de aprendizaje afectan esas correspondencias. [ 45 ] [ 46 ] Estas comparaciones se refieren a correspondencias funcionales o computacionales y no establecen, por sí mismas, una implementación biológica idéntica. [ 46 ] [ 47 ]

El cerebro parece tener una gran capacidad de discriminación y adaptación en determinados contextos. Por ejemplo, los seres humanos parecen poseer una enorme capacidad para memorizar y reconocer rostros . Uno de los objetivos clave de la neurociencia computacional es analizar cómo los sistemas biológicos realizan estos complejos cálculos de manera eficiente y, potencialmente, replicar estos procesos en la construcción de máquinas inteligentes.

Los principios organizativos a gran escala del cerebro se explican desde diversas disciplinas, como la biología, la psicología y la práctica clínica. La neurociencia integrativa busca consolidar estas observaciones mediante modelos descriptivos unificados y bases de datos de mediciones y registros conductuales. Estos constituyen la base para algunos modelos cuantitativos de la actividad cerebral a gran escala. [ 48 ]

El Sistema de Comprensión Representacional Computacional de la Mente ( CRUM , por sus siglas en inglés) es otro intento de modelar la cognición humana a través de procesos simulados, como los sistemas basados ​​en reglas adquiridas en la toma de decisiones y la manipulación de representaciones visuales en la toma de decisiones.

Conciencia

Uno de los objetivos fundamentales de la psicología/neurociencia es poder explicar la experiencia cotidiana de la vida consciente. Francis Crick , Giulio Tononi y Christof Koch hicieron algunos intentos por formular marcos consistentes para futuros trabajos sobre correlatos neuronales de la conciencia (CNC), aunque gran parte del trabajo en este campo sigue siendo especulativo. [ 49 ]

Neurociencia clínica computacional

La neurociencia clínica computacional es un campo que reúne a expertos en neurociencia, neurología , psiquiatría , ciencias de la decisión y modelado computacional para definir e investigar cuantitativamente problemas en enfermedades neurológicas y psiquiátricas , y para capacitar a científicos y clínicos que deseen aplicar estos modelos al diagnóstico y tratamiento. [ 50 ] [ 51 ]

Neurociencia computacional predictiva

La neurociencia computacional predictiva es un campo reciente que combina el procesamiento de señales, la neurociencia, los datos clínicos y el aprendizaje automático para predecir la actividad cerebral durante el coma [ 52 ] o la anestesia [ 53 ] . Por ejemplo, es posible anticipar estados cerebrales profundos mediante la señal EEG. Estos estados pueden utilizarse para predecir la concentración hipnótica que se debe administrar al paciente.

Psiquiatría Computacional

La psiquiatría computacional se concibió originalmente a finales de la década de 2000 como la aplicación de modelos computacionales a los trastornos psiquiátricos. [ 54 ] Se desarrolló rápidamente a lo largo de la década de 2010 con investigaciones sobre la esquizofrenia, la adicción y la depresión mayor, entre otros trastornos. [ 55 ] También hubo intentos de desarrollar criterios diagnósticos inspirados en la computación a través del subcampo de la nosología computacional . [ 56 ] [ 57 ] Trabajos más recientes buscan aplicar modelos bayesianos de cognición para explicar la sintomatología y la fenomenología de los trastornos psiquiátricos. [ 58 ] [ 59 ]

Tecnología

Computación neuromórfica

Un ordenador/chip neuromórfico es cualquier dispositivo que utiliza neuronas artificiales físicas (hechas de silicio) para realizar cálculos (véase: computación neuromórfica, red neuronal física ). Una de las ventajas de utilizar un ordenador de modelo físico como este es que asume la carga computacional del procesador (en el sentido de que los elementos estructurales y algunos de los funcionales no tienen que programarse, ya que están en hardware). En los últimos tiempos, [ 60 ] la tecnología neuromórfica se ha utilizado para construir superordenadores que se emplean en colaboraciones internacionales de neurociencia. Algunos ejemplos son el superordenador SpiNNaker del Proyecto Cerebro Humano y el ordenador BrainScaleS. [ 61 ]

Software

Véase también

Referencias

  1. ↑ Trappenberg, Thomas P. (2010). Fundamentos de la neurociencia computacional . Estados Unidos: Oxford University Press Inc. pp . 2. ISBN  978-0-19-851582-1.
  2. ↑ Patricia S. Churchland; Christof Koch; Terrence J. Sejnowski (1993). "¿Qué es la neurociencia computacional?". En Eric L. Schwartz (ed.). Neurociencia computacional . MIT Press. págs. 46–55 . Archivado del original el 4 de junio de 2011. Recuperado el 11 de junio de 2009 . 
  3. ↑ Dayan P. ; Abbott, LF (2001). Neurociencia teórica: modelado computacional y matemático de sistemas neuronales . Cambridge, Mass: MIT Press. ISBN 978-0-262-04199-7.
  4. ↑ Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). Dinámica neuronal . Cambridge, Reino Unido: Cambridge University Press. ISBN 978-1-107-44761-5.
  5. ↑ Fan, Xue; Markram, Henry (2019). "Una breve historia de la neurociencia de la simulación" . Frontiers in Neuroinformatics . 13 32. doi : 10.3389/fninf.2019.00032 . ISSN 1662-5196 . PMC 6513977. PMID 31133838 .   
  6. ↑ Thomas, Trappenberg (2010). Fundamentos de la neurociencia computacional . OUP Oxford. pág. 2. ISBN  978-0-19-956841-3Consultado el 17 de enero de 2017 .
  7. ↑ Gutkin, Boris; Pinto, David; Ermentrout, Bard (1 de marzo de 2003). "Neurociencia matemática: de neuronas a circuitos a sistemas". Journal of Physiology-París . Neurogeometría y percepción visual. 97 (2): 209– 219. doi : 10.1016/j.jphysparis.2003.09.005 . ISSN 0928-4257 . PMID 14766142. S2CID 10040483 .   
  8. ↑ Kriegeskorte, Nikolaus; Douglas, Pamela K. (septiembre de 2018). "Neurociencia computacional cognitiva" . Nature Neuroscience . 21 (9): 1148– 1160. arXiv : 1807.11819 . Bibcode : 2018arXiv180711819K . doi : 10.1038/ s41593-018-0210-5 . ISSN 1546-1726 . PMC 6706072. PMID 30127428 .   
  9. ↑ Paolo, ED, "Robótica de inspiración orgánica: adaptación homeostática y teleología más allá del bucle sensoriomotor cerrado", Enfoque de sistemas dinámicos para la encarnación y la sociabilidad , S2CID 15349751 
  10. ↑ Brooks, R.; Hassabis, D.; Bray, D.; Shashua, A. (22 de febrero de 2012). "Centenario de Turing: ¿Es el cerebro un buen modelo para la inteligencia artificial?" . Nature . 482 (7386): 462– 463. Bibcode : 2012Natur.482..462. . doi : 10.1038/482462a . ISSN 0028-0836 . PMID 22358812 . S2CID 205070106 .   
  11. ↑ Browne, A. (1997-01-01). Perspectivas de las redes neuronales sobre la cognición y la robótica adaptativa . CRC Press. ISBN 978-0-7503-0455-9.
  12. ↑ Zorzi, Marco; Testolin, Alberto; Stoianov, Ivilin P. (2013-08-20). "Modelado del lenguaje y la cognición con aprendizaje profundo no supervisado: una descripción general tutorial" . Frontiers in Psychology . 4 : 515. doi : 10.3389/fpsyg.2013.00515 . ISSN 1664-1078 . PMC 3747356. PMID 23970869 .   
  13. ↑ Shai, Adam; Larkum, Matthew Evan (2017-12-05). " Ranching into brains" . eLife . 6 e33066. doi : 10.7554/eLife.33066 . ISSN 2050-084X . PMC 5716658. PMID 29205152 .   
  14. ↑ Schwartz, Eric (1990). Neurociencia computacional . Cambridge, Mass: MIT Press. ISBN 978-0-262-19291-0.
  15. ↑ Bower, James M. (2013). 20 años de neurociencia computacional . Berlín, Alemania: Springer. ISBN 978-1-4614-1423-0.
  16. ↑ Fan, Xue; Markram, Henry (2019). "Una breve historia de la neurociencia de la simulación" . Frontiers in Neuroinformatics . 13 32. doi : 10.3389/fninf.2019.00032 . ISSN 1662-5196 . PMC 6513977. PMID 31133838 .   
  17. ↑ Lapicque L (1907). "Investigaciones cuantitativas sobre la excitación eléctrica de los nervios tratados como una polarización". J. Physiol. Patol. Gen.​ 9 : 620–635 .
  18. ↑ Brunel N, Van Rossum MC (2007). "El artículo de Lapicque de 1907: de las ranas a la integración y el fuego". Biol . Cybern . 97 ( 5–6 ): 337–339 . doi : 10.1007/s00422-007-0190-0 . PMID 17968583. S2CID 17816096 .  
  19. ↑ Schwiening, Christof J. (junio de 2012). " Una breve perspectiva histórica: Hodgkin y Huxley" . The Journal of Physiology . 590 (11): 2571– 2575. doi : 10.1113/jphysiol.2012.230458 . ISSN 0022-3751 . PMC 3424716. PMID 22787170 .   
  20. ↑ Hubel DH, Wiesel TN (1962). " Campos receptivos, interacción binocular y arquitectura funcional en la corteza visual del gato" . J. Physiol . 160 (1): 106– 54. doi : 10.1113/jphysiol.1962.sp006837 . PMC 1359523. PMID 14449617 .  
  21. ↑ Forrest MD (2014). "La dinámica del calcio intracelular permite que un modelo de neurona de Purkinje realice cálculos de conmutación y ganancia sobre sus entradas" . Frontiers in Computational Neuroscience . 8 : 86. doi : 10.3389/fncom.2014.00086 . PMC 4138505. PMID 25191262 .  
  22. ↑ Catterall, William A.; Raman, Indira M.; Robinson, Hugh PC; Sejnowski, Terrence J.; Paulsen, Ole (10 de octubre de 2012). "La herencia de Hodgkin-Huxley: de los canales a los circuitos" . The Journal of Neuroscience . 32 (41): 14064– 14073. doi : 10.1523/JNEUROSCI.3403-12.2012 . ISSN 0270-6474 . PMC 3500626. PMID 23055474 .   
  23. ↑ Wu, Samuel Miao-sin; Johnston, Daniel (1995). Fundamentos de neurofisiología celular . Cambridge, Mass: MIT Press. ISBN 978-0-262-10053-3.
  24. ↑ Koch, Christof (1999). Biofísica de la computación: procesamiento de información en neuronas individuales . Oxford [Oxfordshire]: Oxford University Press. ISBN 978-0-19-510491-2.
  25. ↑ Forrest MD (2014). "La dinámica del calcio intracelular permite que un modelo de neurona de Purkinje realice cálculos de conmutación y ganancia sobre sus entradas" . Frontiers in Computational Neuroscience . 8 : 86. doi : 10.3389/fncom.2014.00086 . PMC 4138505. PMID 25191262 .  
  26. ↑ Forrest MD (abril de 2015). "Simulación de la acción del alcohol sobre un modelo detallado de neurona de Purkinje y un modelo sustituto más simple que se ejecuta más de 400 veces más rápido" . BMC Neuroscience . 16 (27) 27. doi : 10.1186/s12868-015-0162-6 . PMC 4417229. PMID 25928094 .  
  27. ↑ "Dinámica de los flujos iónicos entre neuronas, astrocitos y el espacio extracelular durante la neurotransmisión" . cyberleninka.ru . Consultado el 14 de marzo de 2023 .
  28. ↑ Sibille, Jérémie; Duc, Khanh Dao; Holcman, David; Rouach, Nathalie (2015-03-31). "El ciclo del potasio neuroglial durante la neurotransmisión: papel de los canales Kir4.1" . PLOS Computational Biology . 11 (3) e1004137. Bibcode : 2015PLSCB..11E4137S . doi : 10.1371/ journal.pcbi.1004137 . ISSN 1553-7358 . PMC 4380507. PMID 25826753 .   
  29. ↑ Pannasch, Ulrike; Freche, Dominik; Dallérac, Glenn; Ghézali, Grégory; Escartín, Carole; Ezan, Pascal; Cohen-Salmon, Martine; Benquenane, Karim; Abudara, Verónica; Dufour, Amandina; Lübke, Joachim HR; Déglon, Nicole; Knott, Graham; Holcman, David; Rouach, Nathalie (abril de 2014). "Connexin 30 establece la fuerza sináptica controlando la invasión de la sinapsis astroglial" . Neurociencia de la Naturaleza . 17 (4): 549– 558. doi : 10.1038/nn.3662 . ISSN 1546-1726 . PMID 24584052 . S2CID 554918 .   
  30. ↑ Chklovskii DB, Mel BW, Svoboda K (octubre de 2004). "Reorganización cortical y almacenamiento de información". Nature . 431 ( 7010): 782–8 . Bibcode : 2004Natur.431..782C . doi : 10.1038/nature03012 . PMID 15483599. S2CID 4430167 .  Artículo de revisión
  31. ↑ Zhaoping L. 2014, El principio de codificación eficiente , capítulo 3, del libro de texto Comprender la visión: teoría, modelos y datos
  32. ↑ ver atención espacial visual https://en.wikipedia.org/wiki/Visual_spatial_attention
  33. 1 2 Li. Z. 2002 Un mapa de prominencia en la corteza visual primaria Trends in Cognitive Sciences vol. 6, páginas 9-16, y Zhaoping, L. 2014, La hipótesis V1: creación de un mapa de prominencia ascendente para la selección y segmentación preatencional en el libro Understanding Vision: Theory, Models, and Data
  34. ↑ Weiss, Yair; Simoncelli, Eero P.; Adelson, Edward H. (20 de mayo de 2002). "Ilusiones de movimiento como percepciones óptimas". Nature Neuroscience . 5 (6): 598– 604. doi : 10.1038/nn0602-858 . PMID 12021763. S2CID 2777968 .  
  35. ↑ Ernst, Marc O.; Bülthoff, Heinrich H. (abril de 2004). "Fusionando los sentidos en una percepción robusta". Trends in Cognitive Sciences . 8 (4): 162– 169. CiteSeerX 10.1.1.299.4638 . doi : 10.1016/j.tics.2004.02.002 . PMID 15050512. S2CID 7837073 .   
  36. ↑ Olshausen, Bruno A.; Field, David J. (1997-12-01). "Codificación dispersa con un conjunto de base sobrecompleto: ¿Una estrategia empleada por V1?" . Vision Research . 37 (23): 3311– 3325. doi : 10.1016/S0042-6989(97)00169-7 . PMID 9425546 . S2CID 14208692 .  
  37. ↑ Schneidman E, Berry MJ, Segev R, Bialek W (2006). "Las correlaciones débiles por pares implican estados de red fuertemente correlacionados en una población neuronal" . Nature . 440 ( 7087): 1007–12 . arXiv : q-bio/0512013 . Bibcode : 2006Natur.440.1007S . doi : 10.1038/nature04701 . PMC 1785327. PMID 16625187 .  
  38. ↑ Wilson, HR; Cowan, JD (1973). "Una teoría matemática de la dinámica funcional del tejido nervioso cortical y talámico". Kybernetik . 13 (2): 55– 80. doi : 10.1007/BF00288786 . PMID 4767470 . S2CID 292546 .  
  39. ↑ Anderson, Charles H.; Eliasmith, Chris (2004). Ingeniería neuronal: computación, representación y dinámica en sistemas neurobiológicos (neurociencia computacional) . Cambridge, Mass: The MIT Press. ISBN 978-0-262-55060-4.
  40. ↑ Marvin M. Chun; Jeremy M. Wolfe ; EB Goldstein (2001). Blackwell Handbook of Sensation and Perception . Blackwell Publishing Ltd. pp. 272–310 . ISBN  978-0-631-20684-2.
  41. ↑ Edmund Rolls; Gustavo Deco (2012). Neurociencia computacional de la visión . Oxford Scholarship Online. ISBN 978-0-198-52488-5.
  42. ↑ Batchelder, William H.; Colonius, Hans; Dzhafarov, Ehtibar N., eds. (27 de septiembre de 2018), «Neurociencia cognitiva computacional» , Nuevo manual de psicología matemática (1.ª ed.), Cambridge University Press, págs. 223–270 , doi : 10.1017/9781139245906.007 , ISBN   978-1-139-24590-6, consultado el 15 de julio de 2026{{citation}}: CS1 mantenimiento: parámetro de trabajo con ISBN ( enlace )
  43. ↑ Machens CK, Romo R, Brody CD (2005). "Control flexible de la inhibición mutua: un modelo neuronal de discriminación de dos intervalos". Science . 307 (5712): 1121– 4. Bibcode : 2005Sci...307.1121M . CiteSeerX 10.1.1.523.4396 . doi : 10.1126/science.1104171 . PMID 15718474 . S2CID 45378154 .   
  44. ↑ Kriegeskorte, Nikolaus; Douglas, Pamela K. (2018-08-20). " Neurociencia computacional cognitiva" . Nature Neuroscience . 21 (9): 1148– 1160. doi : 10.1038/s41593-018-0210-5 . ISSN 1097-6256 . PMC 6706072. PMID 30127428 .   
  45. ↑ Richards, Blake A.; Lillicrap, Timothy P.; Beaudoin, Philippe; Bengio, Yoshua; Bogacz, Rafal; Christensen, Amelia; Clopath, Claudia; Costa, Rui Ponte; de ​​Berker, Archy; Ganguli, Surya; Gillon, Colleen J.; Hafner, Danijar; Kepecs, Adam; Kriegeskorte, Nikolaus; Latham, Peter (2019-10-28). "Un marco de aprendizaje profundo para la neurociencia" . Nature Neuroscience . 22 (11): 1761– 1770. doi : 10.1038/s41593-019-0520-2 . ISSN 1097-6256 . PMC 7115933. PMID 31659335 .   
  46. 1 2 Saxe, Andrew; Nelli, Stephanie; Summerfield, Christopher (16 de noviembre de 2020). "Si el aprendizaje profundo es la respuesta, ¿cuál es la pregunta?" . Nature Reviews Neuroscience . 22 (1): 55– 67. doi : 10.1038/s41583-020-00395-8 . ISSN 1471-003X . PMID 33199854 .  
  47. ↑ Ohmae, Shogo; Ohmae, Keiko (26 de junio de 2026). "Convergencia cerebro-IA: modelos generativos del mundo y atención jerárquica para la inteligencia humana" . Patterns 101593. doi : 10.1016/j.patter.2026.101593 .
  48. ↑ Robinson PA, Rennie CJ, Rowe DL, O'Connor SC, Gordon E (2005). "Modelado cerebral multiescala" . Philosophical Transactions of the Royal Society B. 360 ( 1457): 1043–1050 . doi : 10.1098 / rstb.2005.1638 . PMC 1854922. PMID 16087447 .  
  49. ↑ Crick F, Koch C (2003). "Un marco para la conciencia" . Nat . Neurosci . 6 (2): 119– 26. doi : 10.1038/nn0203-119 . PMID 12555104. S2CID 13960489 .  
  50. ↑ Adaszewski, Stanisław; Dukart, Juergen; Kherif, Ferath; Frackowiak, Richard; Draganski, Bogdan; Alzheimer's Disease Neuroimaging Initiative (2013). "¿Qué tan pronto podemos predecir la enfermedad de Alzheimer usando anatomía computacional?". Neurobiol Aging . 34 (12): 2815– 26. doi : 10.1016/j.neurobiolaging.2013.06.015 . PMID 23890839 . S2CID 1025210 .  
  51. ↑ Friston KJ, Stephan KE, Montague R, Dolan RJ (2014). "Psiquiatría computacional: el cerebro como un órgano fantástico". Lancet Psychiatry . 1 (2): 148– 58. doi : 10.1016/S2215-0366(14)70275-5 . PMID 26360579 . S2CID 15504512 .  
  52. ↑ Floyrac, Aymeric; Doumergue, Adrien; Legriel, Stéphane; Deye, Nicolas; Megarbane, Bruno; Richard, Alexandra; Meppiel, Elodie; Masmoudi, Sana; Lozeron, Pierre; Vicaut, Eric; Kubis, Nathalie; Holcman, David (2023). " Predicción del resultado neurológico después de un paro cardíaco mediante la combinación de parámetros computacionales extraídos de respuestas estándar y desviadas de potenciales evocados auditivos" . Frontiers in Neuroscience . 17 988394. doi : 10.3389/fnins.2023.988394 . ISSN 1662-453X . PMC 9975713. PMID 36875664 .   
  53. ↑ Sun, Christophe; Holcman, David (1 de agosto de 2022). "Combinación de marcadores estadísticos transitorios de la señal EEG para predecir la sensibilidad cerebral a la anestesia general" . Procesamiento y control de señales biomédicas . 77 103713. doi : 10.1016/j.bspc.2022.103713 . ISSN 1746-8094 . S2CID 248488365 .  
  54. ↑ Montague, P. Read; Dolan, Raymond J.; Friston, Karl J. ; Dayan, Peter (14 de diciembre de 2011). " Psiquiatría computacional" . Trends in Cognitive Sciences . 16 (1): 72– 80. doi : 10.1016/j.tics.2011.11.018 . PMC 3556822. PMID 22177032 .  
  55. ↑ Psiquiatría Computacional . Elsevier. 2018. doi : 10.1016/c2015-0-06644-8 . ISBN 978-0-12-809825-7.
  56. ↑ Kato, Ayaka; Kunisato, Yoshihiko; Katahira, Kentaro; Okimura, Tsukasa; Yamashita, Yuichi (2020). "Mapa de investigación en psiquiatría computacional (CPSYMAP): una nueva base de datos para visualizar artículos de investigación" . Frontiers in Psychiatry . 11 (1360) 578706. doi : 10.3389/fpsyt.2020.578706 . PMC 7746554. PMID 33343418 .  
  57. ↑ Friston, Karl J.; Redish, A. David; Gordon, Joshua A. (2017-10-01). " Nosología computacional y psiquiatría de precisión" . Psiquiatría computacional . 1 : 2–23 . doi : 10.1162/cpsy_a_00001 . ISSN 2379-6227 . PMC 5774181. PMID 29400354 .   
  58. ↑ Friston, Karl (1 de octubre de 2023). "Psiquiatría computacional: de las sinapsis a la sensibilidad" . Molecular Psychiatry . 28 (1): 256– 268. doi : 10.1038/s41380-022-01743-z . ISSN 1476-5578 . PMC 7614021. PMID 36056173 .   
  59. ↑ Vasilchenko, Kirill F.; Федорович, Васильченко Кирилл; Chumakov, Egor M.; Максимович, Чумаков Егор (29 de septiembre de 2023). "Estado actual, desafíos y perspectivas de futuro en psiquiatría computacional: una revisión narrativa" . Consorcio PSYCHIATRICUM . 4 (3): 33– 42. doi : 10.17816/CP11244 . ISSN 2713-2919 . PMC 10795945 . PMID 38249533 .   
  60. ↑ Russell, John (21 de marzo de 2016). "Más allá de von Neumann, la computación neuromórfica avanza de forma constante" .
  61. ↑ Calimera, Andrea; Macii, Enrico; Poncino, Massimo (2013-08-20). "El proyecto del cerebro humano y la computación neuromórfica" . Neurología Funcional . 28 (3): 191– 196. doi : 10.11138/FNeur/2013.28.3.191 (inactivo el 16 de julio de 2026). PMC 3812737. PMID 24139655 .  {{cite journal}}: CS1 maint: DOI inactivo desde julio de 2026 ( enlace )

Bibliografía

  • Chklovskii DB (2004). " Conectividad sináptica y morfología neuronal: dos caras de la misma moneda" . Neuron . 43 (5): 609– 17. doi : 10.1016/j.neuron.2004.08.012 . PMID 15339643. S2CID 16217065 .  
  • Sejnowski, Terrence J .; Churchland, Patricia Smith (1992). El cerebro computacional . Cambridge, Mass: MIT Press . ISBN 978-0-262-03188-2.
  • Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). Dinámica neuronal . Cambridge, Reino Unido: Cambridge University Press. ISBN 978-1-107-44761-5.
  • Dayan P .; Abbott, LF (2001). Neurociencia teórica: modelado computacional y matemático de sistemas neuronales . Cambridge, Mass: MIT Press. ISBN 978-0-262-04199-7.
  • Eliasmith, Chris; Anderson, Charles H. (2003). Ingeniería neuronal: Representación, computación y dinámica en sistemas neurobiológicos . Cambridge, Mass: MIT Press . ISBN 978-0-262-05071-5.
  • Hodgkin AL , Huxley AF (28 de agosto de 1952). "Una descripción cuantitativa de la corriente de membrana y su aplicación a la conducción y excitación en el nervio" . J. Physiol . 117 (4): 500–44 . doi : 10.1113/jphysiol.1952.sp004764 . PMC 1392413. PMID 12991237 .  
  • Guillermo Bialek ; Rieke, Fred; David Warland; Rob de Ruyter van Steveninck (1999). Spikes: explorando el código neuronal . Cambridge, Masa: MIT. ISBN 978-0-262-68108-7.
  • Schutter, Erik de (2001). Neurociencia computacional: modelado realista para experimentalistas . Boca Raton: CRC. ISBN 978-0-8493-2068-2.
  • Sejnowski, Terrence J.; Hemmen, JL van (2006). 23 problemas en neurociencia de sistemas . Oxford [Oxfordshire]: Oxford University Press. ISBN 978-0-19-514822-0.
  • Michael A. Arbib; Shun-ichi Amari; Prudence H. Arbib (2002). Manual de teoría cerebral y redes neuronales . Cambridge, Massachusetts: The MIT Press. ISBN 978-0-262-01197-6.
  • Zhaoping, Li (2014). Comprender la visión: teoría, modelos y datos . Oxford, Reino Unido: Oxford University Press. ISBN 978-0-19-956466-8.

Véase también

Software

  • BRIAN , un simulador basado en Python
  • Budapest Reference Connectome , herramienta de visualización 3D basada en la web para explorar las conexiones en el cerebro humano.
  • Emergente , software de simulación neuronal.
  • GENESIS , un sistema general de simulación neuronal.
  • NEST es un simulador para modelos de redes neuronales de impulsos que se centra en la dinámica, el tamaño y la estructura de los sistemas neuronales, en lugar de en la morfología exacta de las neuronas individuales.

Revistas

  • Revista de Neurociencia Matemática
  • Revista de Neurociencia Computacional
  • Computación neuronal
  • Neurodinámica cognitiva
  • Fronteras en la Neurociencia Computacional
  • PLoS Biología Computacional
  • Fronteras en Neuroinformática

Conferencias

  • Neurociencia Computacional y de Sistemas (COSYNE): un encuentro de neurociencia computacional centrado en la neurociencia de sistemas.
  • Reunión Anual de Neurociencia Computacional (CNS) : una reunión anual sobre neurociencia computacional.
  • Sistemas de Procesamiento de Información Neuronal (NIPS) : una importante conferencia anual que abarca principalmente el aprendizaje automático.
  • Neurociencia Computacional Cognitiva (CCN) : una reunión sobre neurociencia computacional centrada en modelos computacionales capaces de realizar tareas cognitivas.
  • Conferencia Internacional sobre Neurodinámica Cognitiva (ICCN) : una conferencia anual.
  • Reunión de Neurociencias Matemáticas del Reino Unido : una conferencia anual centrada en los aspectos matemáticos.
  • Conferencia Bernstein sobre Neurociencia Computacional (BCCN) : una conferencia anual sobre neurociencia computacional.
  • Conferencias AREADNE : un encuentro bienal que incluye resultados teóricos y experimentales.

sitios web

  • Enciclopedia de Neurociencia Computacional , parte de Scholarpedia , una enciclopedia en línea especializada en neurociencia computacional y sistemas dinámicos.