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.

Commissione d'esame

PAOLO MASSOBRIO (Presidente)

SILVIO PAOLO SABATINI

SERGIO MARTINOIA

Modalità didattiche

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

ORARI

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

Vedi anche:

COMPUTATIONAL NEUROSCIENCE

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.