COMPUTATIONAL NEUROSCIENCE

iten
Codice
80575
ANNO ACCADEMICO
2021/2022
CFU
6 cfu al 2° anno di 11159 BIOENGINEERING (LM-21) GENOVA
SETTORE SCIENTIFICO DISCIPLINARE
ING-INF/06
LINGUA
Inglese
SEDE
GENOVA (BIOENGINEERING)
periodo
1° Semestre
materiale didattico

PRESENTAZIONE

Computational Neuroscience è un corso avanzato offerto agli studenti dell'ultimo anno della laurea magistrale in Bioingegneria volto a fornire gli strumenti e i metodi per la modellizzazione del sistema nervoso a differenti scale, dal singolo neurone fino a complesse reti neuronali. In particolare, canali ionici transmembranali, singoli neuroni, sinapsi e reti di neuroni verranno studiati e analizzati mediante diverse strategie modellistiche.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Neurons: advanced biophysical modeling and computer simulation techniques. Synapses: Phenomenological models vs biophysical models; Exponential synapses at one and two time constants; Synaptic plasticity; Neuron networks: simplified models; Role of connectivity in network dynamics

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Fornire gli strumenti teorici e di simulazione per modellare l'attività elettrofisiologica generata da strutture neurali. Sulla base degli strumenti offerti, gli obiettivi del corso sono:
Essere in grado di modellizzare reti di neuroni con particolari pattern di attività elettrofisiologica
Essere in grado di scegliere i modelli di neuroni corretti sulla base delle esigenze sperimentali
Essere in grado di risolvere problemi teorici avanzati di computazione neuronale
Essere in grado di sapere scegliere la strategia computazionale migliore in base al problema richiesto

PREREQUISITI

Conoscenze avanzate di matematica, analisi matematica; analisi dei segnali elettrofisiologici; neurofisiologia

MODALITA' DIDATTICHE

Lezioni teoriche frontali in aula. Esercitazioni da svolgere in aula sui vari 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

MODALITA' DIDATTICHE

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

Orari delle lezioni

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

ESAMI

MODALITA' 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.

MODALITA' DI ACCERTAMENTO

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

Calendario appelli

Data Ora Luogo Tipologia Note
20/12/2021 10:00 GENOVA Orale
17/01/2022 10:00 GENOVA Orale
14/02/2022 10:00 GENOVA Orale
13/06/2022 10:00 GENOVA Orale
05/07/2022 10:00 GENOVA Orale
14/09/2022 10:00 GENOVA Orale