COMPUTATIONAL NEUROSCIENCE

COMPUTATIONAL NEUROSCIENCE

_
iten
Codice
80575
ANNO ACCADEMICO
2019/2020
CFU
6 cfu al 2° anno di 8725 BIOINGEGNERIA (LM-21) GENOVA
SETTORE SCIENTIFICO DISCIPLINARE
ING-INF/06
LINGUA
Italiano (Inglese a richiesta)
SEDE
GENOVA (BIOINGEGNERIA )
periodo
1° Semestre
materiale didattico

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Neuroni: modellizzazione biofisica avanzata e tecniche di simulazione al calcolatore. Sinapsi: Modelli fenomenologici vs modelli biofisici; Sinapsi esponenziali a una e due costanti di tempo; Plasticità sinaptica; Reti di neuroni: modelli semplificati; Ruolo della connettività nelle dinamiche di rete

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

L’insegnamento si propone di fornire strumenti teorici per la modellizzazione di strutture neurali a differente scala, dal singolo neurone fino a complesse reti neuronali.
L’obiettivo primario è quello di fornire gli strumenti teorici e di simulazione per modellare l'attività elettrofisiologica generata da strutture neurali. I contenuti dell'insegnamento permetteranno al bioingegnere di arricchire le proprie competenze nell'ambito della neuroingegneria.

Modalità didattiche

Lezioni teoriche frontali in aula. Esercitazioni da svolgere in aula sui vari macro-argomenti del corso.

PROGRAMMA/CONTENUTO

  • Biophysical Model of Neurons
    • Brief introduction on equivalent membrane circuit and membrane electric properties
    • Passive models and propagation equation
    • Hodgkin and Huxley (HH) model and dynamics
    • From HH to multichannel neuron models
    • Role of neuron morphology and dendritic tree in the electrophysiological patterns
    • Reduced models: from multi-compartments to 2-3 compartments neurons
    • Calcium dynamics
  • Neuronal dynamics, excitability threshold, oscillations
    • Mathematical background of non-linear systems and portrait analysis
    • Hodgkin and Huxley model
    • Morris-Lecar model
    • Fitzhug-Nagumo model
       
  • From bio-inspired to abstracted point neurons
    • The family of integrate-and-fire (IF) neurons
    • Leaky-Integrate-and-Fire (LIF)
    • Exponential-Integrate-and-Fire (EIF)
    • Quadratic-Integrate-and-Fire (QIF)
    • Advantages and limitations of IF models
    • The Izhikevich model
    • Stochastic models
    • Poissonian process
    • Renewal process
       
  • The synaptic transmission and plasticity
    • Exponential synapse
    • Alpha function synapse
    • Dynamical models
    • Desthexhe model
    • Markovian models
    • Modeling the synaptic plasticity
    • Hebbian rule
    • Depression, Facilitation, Augmentation (short-term plasticity)
    • Long Term Potentiation/Depression
    • Spike Timing Dependent Plasticity (STDP)
  • Network Models
    • Firing Rate Model
    • Spiking Model
    • Point vs. multicompartmental networks
    • Balanced networks
    • Network architecture
    • Networks dynamics
    • Interplay between dynamics and connectivity
    • Different kind of connectivities
    • Building a graph
    • Properties of a graph
    • Functional, Structural, Effective connectivity

TESTI/BIBLIOGRAFIA

Materiale distribuito e note disponibili su Aulaweb.

  • Methods in Neuronal Modeling, Koch and Segev, MIT press, 1999.
  • Spiking Neuron Models, Gerstner and Kistler, Cambridge press, 2002.
  • Dynamical systems in neuroscience,. Izhikevich, MIT press, 2007.
  • Computational Modeling Methods for Neuroscientists, De Schutter, MIT press, 2010.
  • Theoretical Neuroscience, Dayan and Abbott, MIT press, 2001.

DOCENTI E COMMISSIONI

Ricevimento: Previo appuntamento via e-mail.

LEZIONI

Modalità didattiche

Lezioni teoriche frontali in aula. Esercitazioni da svolgere in aula sui vari macro-argomenti del corso.

ESAMI

Modalità d'esame

Esame orale su tutti gli argomenti del corso.
Gli esami si svolgeranno durante il periodo di interruzione delle lezioni: dicembre (pre-appello), gennaio, febbraio, maggio (pre-appello), giugno. luglio e settembre. Non verranno concessi ulteriori appelli straordinari.
Sostenuto l'esame, lo studente ha al massimo 1 settimana di tempo per decidere se accettare o meno il voto proposto. Terminato questo periodo, l'esame verrà registrato.
Qualora lo studente ottenesse una valutazione positiva della sua prova d'esame (cioè maggiore o uguale a 18/30), e decidesse di rifiutare tale voto, potrà presentarsi una sola altra volta a ri-sostenere l'esame che verrà quindi registrato (se maggiore o uguale a 18/30) con quest'ultima votazione (anche se inferiore alla precedente). Ad esempio se all'appello di gennaio lo studente ottiene una votazione di 25/30 e decide di non accettare tale voto e al successivo appello di febbraio consegue una votazione di 24/30, tale voto di 24/30 verrà registrato.

Modalità di accertamento

Al termine dell'insegnamento lo studente dovrà dimostrare  di conoscere le tecniche di base e avanzate per modellare strutture neurali dal singolo neurone fino a grosse reti di neuroni.