Upload
leandro-da-silva
View
68
Download
0
Embed Size (px)
Citation preview
Outline Introducao Motivacoes Alguns resultados Outros interesses
Dinamica estocastica em neurociencia teorica
Leandro A. da Silva
Pos-doutorado FAPESP/CMCC-UFABC
Supervisor: Rafael D. Vilela
Seminarios do grupo de dinamica nao-linear
11 de Dezembro de 2013
Outline Introducao Motivacoes Alguns resultados Outros interesses
1 Introducao
2 Motivacoes
3 Alguns resultados
4 Outros interesses
Outline Introducao Motivacoes Alguns resultados Outros interesses
1 Introducao
2 Motivacoes
3 Alguns resultados
4 Outros interesses
Outline Introducao Motivacoes Alguns resultados Outros interesses
Abordagens teoricas:
Qual escala?
1 neuronio
Hodgkin-Huxley
FitzHugh-Nagumo
Integrate-and-fire
Passive cable
N neuronios
Interacoes numa rede discreta finita
campos neurais
classe de modelos tipo Wilson-Cowan
Conexoes entre as abordagens?
Outline Introducao Motivacoes Alguns resultados Outros interesses
Abordagens teoricas:
Qual escala?
1 neuronio
Hodgkin-Huxley
FitzHugh-Nagumo
Integrate-and-fire
Passive cable
N neuronios
Interacoes numa rede discreta finita
campos neurais
classe de modelos tipo Wilson-Cowan
Conexoes entre as abordagens?
Outline Introducao Motivacoes Alguns resultados Outros interesses
Modelos teoricos:
Modelo integra-e-dispara:
τdv(t)
dt= −v(t) + I(t)
Passive cable model:
τ∂v(x, t)
∂t= λ2∂
2v(x, t)
∂x2− v(x, t)
Campos neurais
τ∂φ(x, t)
∂t= −φ(x, t) +
∫ ∞−∞
dx′w(x− x′)f(φ(x′, t
))
Outline Introducao Motivacoes Alguns resultados Outros interesses
1 Introducao
2 Motivacoes
3 Alguns resultados
4 Outros interesses
Outline Introducao Motivacoes Alguns resultados Outros interesses
Movimento browniano
Em 1827, Robert Brown publica: “A brief account ofmicroscopical observations made in the months of June, July,and August, 1827, on the particles contained in the pollen ofplants and on the general existence of active molecules inorganic and inorganic bodies”
Outline Introducao Motivacoes Alguns resultados Outros interesses
Movimento browniano
Computacionalmente inviavel tratar a dinamica levando emconta as inumeras colisoes
Dinamica efetiva: Paul Langevin, 1908∑F = ma
= −ηv+√
2TR(t)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Movimento browniano
Computacionalmente inviavel tratar a dinamica levando emconta as inumeras colisoes
Dinamica efetiva: Paul Langevin, 1908∑F = ma
= −ηv+√
2TR(t)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Movimento browniano
Computacionalmente inviavel tratar a dinamica levando emconta as inumeras colisoes
Dinamica efetiva: Paul Langevin, 1908∑F = ma = −ηv
+√
2TR(t)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Movimento browniano
Computacionalmente inviavel tratar a dinamica levando emconta as inumeras colisoes
Dinamica efetiva: Paul Langevin, 1908∑F = ma = −ηv+
√2TR(t)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Movimento Browniano
De forma mais geral:
dp
dt= −∂V
∂x− ηp+R(t)
dx
dt=
p
m,
Propriedades do ruıdo branco ⇒ Teorema de flutuacao-dissipacaoclassico
〈R(t)〉 = 0 e 〈R(t)R(t′)〉 = 2kBTηδ(t− t′)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Movimento browniano
Mecanica newtoniana: apenas um caso particular de sistemadinamico
Aspecto mais sutil e geral por tras desse procedimento?
Coarse-graining: distincao e separacao entre sistema eambientePosicao da partıcula → outra grandeza dinamicaTemperatura → intensidade do ruıdoViscosidade → grandeza que fixa uma escala de tempo
Outline Introducao Motivacoes Alguns resultados Outros interesses
Movimento browniano
Mecanica newtoniana: apenas um caso particular de sistemadinamico
Aspecto mais sutil e geral por tras desse procedimento?
Coarse-graining: distincao e separacao entre sistema eambientePosicao da partıcula → outra grandeza dinamicaTemperatura → intensidade do ruıdoViscosidade → grandeza que fixa uma escala de tempo
Outline Introducao Motivacoes Alguns resultados Outros interesses
Ruıdo neural
Principais fontes de flutuacoes na dinamica neural:
Abertura e fechamento de canais ionicos
Liberacao de neurotransmissores pelas sinapses
Entradas sinapticas provenientes do “ambiente” (∼ 104
juncoes sinapticas por neuronio)
τdv(t)
dt= g(v) + I(t) + σ
√2τη(t)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Ruıdo neural
Principais fontes de flutuacoes na dinamica neural:
Abertura e fechamento de canais ionicos
Liberacao de neurotransmissores pelas sinapses
Entradas sinapticas provenientes do “ambiente” (∼ 104
juncoes sinapticas por neuronio)
τdv(t)
dt= g(v) + I(t) + σ
√2τη(t)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Modelos de interacao sistema-banho
Problema: derivacoes mais realısticas → efeitos de memoria eruıdo coloridoExemplo 1:
Modelo de Caldeira-Leggett (1983) :
Sistema (q) em interacao com um banho (xα, α = 1, . . . , N) :
H =p2
2+ V (q) +
1
2
N∑α=1
[p2α
mα+mαωα
(xα −
cαmαω2
α
F (q)
)2]
Tomando a interacao sistema-banho como sendo linear (∼ qxα⇒ F (q) = q e eliminando os graus de liberdade do banho:
Outline Introducao Motivacoes Alguns resultados Outros interesses
Modelos de interacao sistema-banho
Problema: derivacoes mais realısticas → efeitos de memoria eruıdo coloridoExemplo 1:
Modelo de Caldeira-Leggett (1983) :
Sistema (q) em interacao com um banho (xα, α = 1, . . . , N) :
H =p2
2+ V (q) +
1
2
N∑α=1
[p2α
mα+mαωα
(xα −
cαmαω2
α
F (q)
)2]
Tomando a interacao sistema-banho como sendo linear (∼ qxα⇒ F (q) = q e eliminando os graus de liberdade do banho:
Outline Introducao Motivacoes Alguns resultados Outros interesses
Modelos de interacao sistema-banho
q(t) +
∫ t
0dt
′Λ(t− t′)q(t′) + V
′[q(t)] = ξ(t)
Λ(t− t′) = Θ(t− t′) 1
M
N∑α=1
c2α
mαω2α
cos(ωαt)
⇒ Equacao nao-Markoviana (kernel nao-local Λ(t− t′), possuimemoria da historia passada) com ruıdo gaussiano e colorido:
〈ξ(t)〉ρ(0)B
= 0, 〈ξ(t)ξ(t′)〉ρ(0)B
= kBTΛ(t− t′)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Modelos de interacao sistema-banho
Exemplo 2 1:
Cosmologia do universo primordial:
S[φ, χ, σ] =
∫d4x
[1
2(∂µφ)2 − 1
2m2φφ
2 − λ
4!φ4 +
1
2(∂µχ)2
− 1
2m2χχ
2 +1
2(∂µσ)2 − 1
2m2σσ
2 − g2
2φ2χ2 − fχσ2
].
φ→ campo classico em cuja dinamica estamos interessados
χ→ campo intermediario que se acopla a σ e φ
σ → campo em equilıbrio termico a temperatura T
1Rep. Prog. Phys. 72,026901(2009)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Modelos de interacao sistema-banho
Procedimento: integrar funcionalmente os campos χ e σ.
Situacoes fora do equilıbrio → Formalismo de tempo real
Equacao de movimento efetiva (aproximacao homogenea):
d2φc(t)
dt2+dVeff(φc)
dφc+ φc(t)
∫ t
−∞dt′φc(t
′)φc(t′)Kχ(t− t′)
= φc (t) ξ (t) ,
onde
Veff(φc) =1
2m2φφ
2c +
λ
4!φ4c
Outline Introducao Motivacoes Alguns resultados Outros interesses
Modelos de interacao sistema-banho
〈ξ(t)ξ(t′)〉 = 2g4
∫d3q
(2π)3
1
4ω2χ(~q)
2nχ [1 + nχ] +
+ [1 + 2nχ + 2n2χ] cos
[2ωχ|t− t′|
]+
+ 2βΓχ(~q)nχ[1 + nχ][1 + 2nχ] sin[2ωχ|t− t′|]×
× e−2Γχ(~q)|t−t′| +O
(g4
Γ2χ
T 2
)≡ N(t, t′) .
Outline Introducao Motivacoes Alguns resultados Outros interesses
Ideia central 1:
Inserir nos modelos fenomenologicos neurais efeitos de ruıdocolorido em conjunto com um feedback distribuıdo (memoria),o que parece ser a situacao fısica mais realıstica.
O que e esperado? Dado um conjunto de parametros quecaracteriza o sistema e o ambiente, a aproximacao markovianapode ou nao ser satisfatoria:
Outline Introducao Motivacoes Alguns resultados Outros interesses
Ideia central 1:
Inserir nos modelos fenomenologicos neurais efeitos de ruıdocolorido em conjunto com um feedback distribuıdo (memoria),o que parece ser a situacao fısica mais realıstica.
O que e esperado? Dado um conjunto de parametros quecaracteriza o sistema e o ambiente, a aproximacao markovianapode ou nao ser satisfatoria:
Outline Introducao Motivacoes Alguns resultados Outros interesses
Aproximacao markoviana
Equacao de movimento nao-markoviana:
d2
dt2φ(t) + V ′(φ) + φn(t)
∫ t
t0
dt′K(t− t′)φn(t′)φ(t′)
= φn(t)ξ(t) .
Aproximacao markoviana:
φn(t)
∫ t
t0
dt′K(t− t′)φn(t′) φ(t′) ' φ2n(t) φ(t)
∫ t
t0→−∞dt′K(t− t′)
→ Qφ2n(t) φ(t) .
Equacao de movimento markoviana:
φ(t) +Qφ2n(t) φ(t) +m2φφ+
λ
6φ3 = φn(t) ξ(t)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Tipos de ruıdo
KOU (t− t′) ≡ Kernel de Ornstein-Uhlenbeck: decaimentoexponencial
KH(t− t′) ≡ Kernel harmonico: decaimento exponencial
KOU (t− t′) +KH(t− t′)etc
Equacao de movimento mais geral:
φ(t) + V ′(φ) =1∑
n=0
∑l
[φn(t)
(ξl(t)−
∫ t
t0
dt′Kl(t− t′)φn(t′)φ(t′)
)].
Ruıdo colorido:〈ξl(t)ξl(t′)〉 = TKl(t− t′) ,
Outline Introducao Motivacoes Alguns resultados Outros interesses
Tipos de ruıdo
KOU (t− t′) ≡ Kernel de Ornstein-Uhlenbeck: decaimentoexponencial
KH(t− t′) ≡ Kernel harmonico: decaimento exponencial
KOU (t− t′) +KH(t− t′)etc
Equacao de movimento mais geral:
φ(t) + V ′(φ) =1∑
n=0
∑l
[φn(t)
(ξl(t)−
∫ t
t0
dt′Kl(t− t′)φn(t′)φ(t′)
)].
Ruıdo colorido:〈ξl(t)ξl(t′)〉 = TKl(t− t′) ,
Outline Introducao Motivacoes Alguns resultados Outros interesses
Tipos de ruıdo
KOU (t− t′) ≡ Kernel de Ornstein-Uhlenbeck: decaimentoexponencial
KH(t− t′) ≡ Kernel harmonico: decaimento exponencial
KOU (t− t′) +KH(t− t′)etc
Equacao de movimento mais geral:
φ(t) + V ′(φ) =1∑
n=0
∑l
[φn(t)
(ξl(t)−
∫ t
t0
dt′Kl(t− t′)φn(t′)φ(t′)
)].
Ruıdo colorido:〈ξl(t)ξl(t′)〉 = TKl(t− t′) ,
Outline Introducao Motivacoes Alguns resultados Outros interesses
Comparacao entre as dinamicas markoviana enao-markoviana
Ex: Caso OU aditivo
Equacao de Movimento
φ(t) +m2φφ+
λ
6φ3 = ξOU (t)−
∫ t
0dt′KOU (t− t′)φ(t′) ,
correspondente sistema local
φ = y
y = −m2φφ−
λ
6φ3 + ξ0U + wO+
wO+ = −γwO+ −KOU (0)y
ξOU = −γ[ξOU −
√2TQζ
].
Outline Introducao Motivacoes Alguns resultados Outros interesses
Caso OU aditivo: (a) γ = 0, 5, (b) γ = 1, 0 e (c) γ = 5, 0
Outline Introducao Motivacoes Alguns resultados Outros interesses
Caso harmonico aditivo: (a) γ = 0, 1, (b) γ = 0, 3 e (c) γ = 0, 5
Outline Introducao Motivacoes Alguns resultados Outros interesses
Ideia central 2: Efeitos da nao-linearidade
Como a discrepancia entre as dinamicas markovianae nao-markoviana e afetada pela nao-linearidade doseu potencial?
V (φ) = mφ2
2+λ
4φ4
∆φ = 〈φ〉non−Markovian − 〈φ〉Markovian
Fixando η = 1.0, T = 1.0, Ω0 = 1.0, m2 = 1.0 eγ = 0.5 (caso EDH).
Outline Introducao Motivacoes Alguns resultados Outros interesses
Ideia central 2: Efeitos da nao-linearidade
Como a discrepancia entre as dinamicas markovianae nao-markoviana e afetada pela nao-linearidade doseu potencial?
V (φ) = mφ2
2+λ
4φ4
∆φ = 〈φ〉non−Markovian − 〈φ〉Markovian
Fixando η = 1.0, T = 1.0, Ω0 = 1.0, m2 = 1.0 eγ = 0.5 (caso EDH).
Outline Introducao Motivacoes Alguns resultados Outros interesses
Efeitos da nao-linearidade: caso harmonico
Figure : Painel esquerdo: ruıdo aditivo. Painel direito: ruıdomultiplicativo
Outline Introducao Motivacoes Alguns resultados Outros interesses
1 Introducao
2 Motivacoes
3 Alguns resultados
4 Outros interesses
Outline Introducao Motivacoes Alguns resultados Outros interesses
Modelo integra-e-dispara
Proposta de generalizacao:
λv(t)−g(v(t)) = I(t)+
1∑n=0
∑l
[vn(t)
(ξl(t)−
∫ t
t0
dt′Kl(t− t′)vn(t′)v(t′)
)]Principais motivacoes decorrentes:
ressonancia estocastica
mecanismos de bifurcacao
efeito de entradas sinapticas em diferentes escalas de tempocaracterısticas
Outline Introducao Motivacoes Alguns resultados Outros interesses
O papel do ruıdo
Ruıdo e sempre algo destrutivo, deleterio, que induz a desordem?
Resposta: Nao!
Na Fısica:
Ressonancia estocastica
Coerencia estocastica
Inducao de auto-organizacao
etc
E em sistemas biologicos?
Outline Introducao Motivacoes Alguns resultados Outros interesses
O papel do ruıdo
Ruıdo e sempre algo destrutivo, deleterio, que induz a desordem?
Resposta: Nao!
Na Fısica:
Ressonancia estocastica
Coerencia estocastica
Inducao de auto-organizacao
etc
E em sistemas biologicos?
Outline Introducao Motivacoes Alguns resultados Outros interesses
O papel do ruıdo
Ruıdo e sempre algo destrutivo, deleterio, que induz a desordem?
Resposta: Nao!
Na Fısica:
Ressonancia estocastica
Coerencia estocastica
Inducao de auto-organizacao
etc
E em sistemas biologicos?
Outline Introducao Motivacoes Alguns resultados Outros interesses
O papel do ruıdo
Ressonancia estocastica em dinamica neural:
Aumento da sensibilidade de um dado sistema a sinaisexternos periodicos quando se ajusta um nıvel otimo de ruıdo
Sistema → detector de sinais melhorado pelo auxılio deflutuacoes
Outline Introducao Motivacoes Alguns resultados Outros interesses
O papel do ruıdo
Ressonancia estocastica em dinamica neural:
Aumento da sensibilidade de um dado sistema a sinaisexternos periodicos quando se ajusta um nıvel otimo de ruıdoSistema → detector de sinais melhorado pelo auxılio deflutuacoes
Outline Introducao Motivacoes Alguns resultados Outros interesses
O papel do ruıdo - J. Neurosci., 2011
Outline Introducao Motivacoes Alguns resultados Outros interesses
Integra-e-dispara nao-markoviano
Questao 1: mecanismo de ressonancia estocastica sobrevive a umaformulacao mais realıstica?
λv(t) +
∫ t
t0
dt′KOU(t− t′)v(t′)− g(v(t)) = I(t) + σ√
2τξOU(t) ,
KOU(t− t′) = τe−τ(t−t′)
ξOU = −τ[ξOU −
√2ση
]
Outline Introducao Motivacoes Alguns resultados Outros interesses
Integra-e-dispara nao-markoviano
Intensidade do noise dependente do tempo: σ(t) = t/200
Outline Introducao Motivacoes Alguns resultados Outros interesses
1 Introducao
2 Motivacoes
3 Alguns resultados
4 Outros interesses
Outline Introducao Motivacoes Alguns resultados Outros interesses
Neuronios como um continuum
Modelo padrao:
τ∂φ(x, t)
∂t= −φ(x, t) +
∫ ∞−∞
dx′w(x− x′)f(φ(x′, t
))τ → tempo caracterıstico de decaimento da sinapse
w(x− x′)→ intensidade das conexoes entre neuroniosseparados por uma distancia d ≡ x− x′
f → funcao taxa media de disparos
Outline Introducao Motivacoes Alguns resultados Outros interesses
Neuronios como um continuum
Possıvel generalizacao2:
τ∂
∂tφ(x, t) =−V ′(φ) +
∫ ∞−∞
dx′w(x− x′)f(φ(x′, t))
+σ1/2η g(φ)η(x, t) + σ
1/2ξ h(φ)ξ(x, t)
+σζζ(x, t)
2Bressloff and Webber - SIAM J. Appl. Dyn. Syst (2012);Hutt, Longtin and Schimansky-Geier - Physica D (2008)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Neuronios como um continuum - Motivacoes:
Estudar formacao de padroes espaciais
Dinamica de rivalidade monocular e binocular:multistabilidade 3
3Webber and Bressloff: The effects of noise on binocular rivalry waves: astochastic neural field model. Journal of Statistical Mechanics: Theory andExperiment, 2013(03)
Outline Introducao Motivacoes Alguns resultados Outros interesses
Formacao de padroes espaciais
Linearizando, tomando a transformada de Fourier, usando oteorema de Novikov e a definicao de funcao de estrutura,S(k, t) =
∫∞−∞ dk
′〈δϕ(k, t)δϕ(k′, t)〉:
Sst(k) =1τ
[g(ϕ?)
2ση + h(ϕ?)2σξ + σζ
]V ′′(ϕ?)− f ′(ϕ?)w(k)− σηg′(ϕ?)2
τ∆x − σξh′(ϕ?)2
τ∆x
.
w(r) =1
2σe−r/σ ,
w(r) = e−r − λe−r/σ and
w(r) = Θ(σ − r)/(2σ) , where r ≡ |x− x′|.
f(φ) =1
1 + e−γ(φ−θ) , and f(φ) = 1− e−γ(φ−θ)2 .
Outline Introducao Motivacoes Alguns resultados Outros interesses
Formacao de padroes espaciais: w(r) = e−r − λe−r/σ
Figure : Results for the Mexican hat weight function: top panels showthe stationary structure function, and bottom panel show the dispersionrelation Λ(k). We can observe that noise induced instability is possibleand therefore spatial patterns with characteristic scale k 6= 0 can arise.
Outline Introducao Motivacoes Alguns resultados Outros interesses
Formacao de padroes espaciais: w(r) = 12σ e−r/σ × w(r) = Θ(σ − r)/(2σ)
Figure : Left panels: structure function (top) and the dispersion relation(bottom) for the weight function w(r) = 1
2σ e−r/σ. No Turing instability
arises in that case. Right panels: results for the weight functionw(r) = Θ(σ − r)/(2σ). Turing instability is present, but the dominantmode is located at k = 0, therefore spatial patterns are disadvantaged.Both results are parameter independent.