Modelos Computacionales 10

10
011
010
0101 01

PRÁCTICAS
Asignatura: Sistemas Inteligentes
1010
Prof. Ana Belén Porto Pazos
Departamento de Tecnologías de la Información y las Comunicaciones 1010 10

101110 10101110101
01101 01 1010

1110 1010 0001 CONTENIDOS

TUTORIAL:

• Modelos Computacionales.

PRÁCTICA:

Herramienta de modelización NEURON

http://www.neuron.yale.edu/neuron/download

1
 101110 10101110101
01101 01 1010

1110 1010 0001INTRODUCCIÓN

Dada la simbiosis entre la Informática y la
Neurociencia resulta crucial reunir conocimientos de
ambas áreas para lograr:
Sistemas con mayores capacidades de procesamiento
Mayores facilidades para estudiar el sistema nervioso

Para ello se construyen modelos computacionales.

MODELOS 10
10
011
COMPUTACIONALES 010
0101 01

1010

1010 10

2
 101110 10101110101
01101 01 1010

MODELOS COMPUTACIONALES
1110 1010 0001

MODELO: Representación de un sistema real. Gracias a su

construcción pueden obtenerse resultados importantes y posee
utilidades diversas:
Es un medio que permite resolver problemas científicos
estableciendo relaciones entre datos que a simple vista se
presentan aislados.

Sirve para poner a prueba teorías, suposiciones o hipótesis.

Hace surgir nuevas dudas e interrogantes, lo que llevará a

posteriores pruebas y afianzamiento de nuevos descubrimientos.

101110 10101110101
01101 01 1010

MODELOS COMPUTACIONALES
1110 1010 0001

 El lenguaje formal en el que se describe un modelo facilita el

poder discriminar y abstraer conceptos complejos.

 Puede abordar el estudio de un sistema complejo

descomponiéndolo en elementos más sencillos y posteriormente
integrarlo para estudiar su funcionamiento global.
 Difícil aislar los subsistemas de un ser vivo y determinar sus límites con
precisión, ya que todos están interrelacionados.

3
 101110 10101110101
01101 01 1010

MODELOS COMPUTACIONALES
1110 1010 0001

 Construir un modelo: encontrar un sistema coherente y adecuado

que permita interpretar datos experimentales o resolver un
problema dentro de un marco de referencia apropiado.

 Aunque sean incompletos, si son suficientemente

representativos de nuestro conocimiento de la realidad,
pueden ser de gran ayuda cuando:
 Limitaciones para obtener información.

 Limitaciones del sistema debidas a su estructura.

101110 10101110101
01101 01 1010

MODELOS COMPUTACIONALES
1110 1010 0001

 Aunque la utilización de modelos tiene muchas ventajas, hay que

manejarlos con cierto cuidado. Por ejemplo:

• A un sistema le llega una entrada del exterior y el sistema la analiza,

modifica y produce una salida al exterior.

• Si la señal de entrada va acompañada de ruido, la equivalencia entre el

comportamiento del sistema real y el modelo puede no ser total.

• De todas formas el modelo puede dar una idea de lo que ocurre en el

sistema real.

 El comportamiento de cualquier modelo sometido a excitaciones

adecuadas, “simulará” el funcionamiento real del sistema estudiado.

4
 101110 10101110101
MODELOS
01101 01 1010COMPUTACIONALES

PROCESO
1110 1010 0001 DE MODELIZACIÓN

H S Sistema
H Hipótesis
S E M M Modelo
C Comparador
C
E Elaborador

101110 10101110101
01101 01 1010

MODELOS COMPUTACIONALES
1110 1010 0001

 Se considera que el modelo y el sistema a modelizar son

equivalentes:
 Si ofrecen el mismo comportamiento frente a entradas equivalentes.

 Procurar que el modelo posea el número de características más

simplificado posible que dé origen al comportamiento esperado,
sin omitir ningún parámetro importante.

 Las diferencias comprobadas entre los resultados de una

simulación y la experimentación:
 Permiten mejorar la construcción del modelo, dando la posibilidad así
de adaptar mejor el modelo al sistema real.

5
 101110 10101110101
01101 01 1010

MODELOS COMPUTACIONALES
1110 1010 0001

CONSIDERACIONES IMPORTANTES:

 A la construcción de un modelo le sigue su validación:

Se compara su comportamiento con el del sistema que

representa: mecánico, biológico, etc.

 Se intentan descubrir características del modelo que no fueran

previstas inicialmente.

 Importante verificar si el nivel de estudio es adecuado:

• Por ejemplo, una neurona puede ser estudiada a nivel: bioquímico,
fisiológico, informático, etc.

101110 10101110101
MODELOS
01101 01 1010COMPUTACIONALES

1110RELACIÓN:
1010 0001 IA - NEUROCIENCIA

TIPOS DE MODELOS DEL CEREBRO:

• SIMBÓLICOS. Pretenden modelar funciones cognitivas de alto nivel,

como el razonamiento o la capacidad de resolución de problemas.

• CONEXIONISTAS: Consiste en especificar un comportamiento e

intentar construir unas estructuras que lo ejecuten.

• REALISTAS: Concretar o especificar las estructuras conocidas de los

sistemas biológicos y posterior estudio del comportamiento que
ocasionan.

6
 MODELOS
REALISTAS 10
10
011
Modelos Computacionales Biológicos 010
0101 01

1010

1010 10

101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

REALISTAS:
1110 1010 0001 APLICACIONES

 Existen diversas herramientas informáticas para simular este

tipo de modelos atendiendo a la aplicación que se le pretenda
dar a la simulación:

o Aplicaciones para simular circuitos nerviosos presentes en los

seres vivos y así estudiar su funcionamiento.

o Aplicaciones para simular redes con el propósito de procesar la

información (clasificación, regresión, etc.), pero que permiten
incluir modelos complejos de células y conexiones.

7
 101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

REALISTAS:
1110 1010 0001 APLICACIONES

Aplicaciones para simular redes neuronales presentes en los

seres vivos y así estudiar su funcionamiento.
Este tipo de aplicaciones suelen soportar la simulación de modelos
complejos de neurona con un alto grado de detalle.

Ejemplos:
GENESIS (the GEneral NEural SImulation System) desarrollado en el
laboratorio de James M. Bower en Caltech.
http://genesis-sim.org/

NEURON. Universidad de Yale.

http://www.neuron.yale.edu/neuron/

101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

REALISTAS:
1110 1010 0001 APLICACIONES

Aplicaciones para simular redes con el propósito de procesar

la información, pero que permiten incluir modelos de neurona
más complejos.
Permiten explotar características de neuronas biológicas para realizar
funciones concretas y al mismo tiempo permiten estudiar la funcionalidad
de estas características neuronales.
Estos programas deben ser eficientes para realizar simulaciones
rápidamente o incluso en tiempo real y al mismo tiempo que permitan
realizar simulaciones con el grado de detalle necesario para que sean
biológicamente plausibles.

Ejemplo:
EDLUT desarrollado en la Universidad de Granada. Aplicación en control
de brazos robóticos.
http://code.google.com/p/edlut/

8
 101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

REALISTAS:
1110 1010 0001 HW y SW INTELIGENTE

Desarrollo de software/hardware inteligente, capaz de resolver

problemas de forma similar a como lo hace el cerebro.

Diferentes proyectos internacionales para estudiar el cerebro y

construir circuitos neuromórficos.
El proyecto COLAMN en Reino Unido. Realizan modelos
computacionales que ayudan a entender mejor la estructura del neocortex
de los mamíferos, para diseñar circuitos integrados que funcionen de
manera similar al cerebro y se usen para construir computadoras en el
futuro. http://colamn.plymouth.ac.uk/colamn-project/
El proyecto FACETS ahora BrainScales, subvencionado por la Comisión
Europea, intenta implementar la corteza cerebral tomando como unidad
mínima de información el microcircuito, circuitos de miles de neuronas
altamente conectadas. http://facets.kip.uni-heidelberg.de/
Human Brain Project https://www.humanbrainproject.eu/es (evolución
del Blue Brain Project http://bluebrain.epfl.ch).

101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

REALISTAS:
1110 1010 0001 HW y SW INTELIGENTE

Blue Brain Project. http://bluebrain.epfl.ch/

Gracias a la potencia del supercomputador Blue
Gene de IBM, con 8192 procesadores y con
potencia aproximada de 22 TeraFlops se ha
conseguido simular una columna neocortical:
Se trata de una simulación biofísica detallada de una
columna cortical, que puede considerarse la menor
unidad funcional del neocórtex (aclarar problemas de
función y disfunción cerebral, simulándolos en un
macro-cerebro artificial).
Una microcolumna de la corteza cerebral consiste en
un cilindro de 0,5 milímetros de diámetro x 2
milímetros de alto.
Por cada cilindro existen unas 60.000 neuronas en
humanos y 10.000 en rata. Rata-gato-mono-humano.
Se podría comprobar la eficacia de diferentes
fármacos o drogas para la cura de enfermedades del
sistema nervioso, incluyendo Alzheimer o Parkinson.

9
 101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

REALISTAS:
1110 1010 0001 HW y SW INTELIGENTE

Proyectos más específicos basados en una estructura y

función realista, con un grado de implementación muy
avanzado, son:
La fabricación e implementación de una retina en silicio (ETH Zurich,
Switzerland). Tiene conexiones neuronales directas al mismo lugar que lo
hace la retina biológica humana, enviando el mismo tipo de señales.

101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

REALISTAS:
1110 1010 0001 HW y SW INTELIGENTE

Proyectos más específicos basados en una estructura y

función realista, con un grado de implementación muy
avanzado, son:

La fabricación de una nariz artificial capaz de reconocer e identificar

diferentes olores (Universidad de Edimburgo, UK)

El implante de cóclea artificial para pacientes sordos (MIT, USA)

Chip-sónar basado en la anatomía del murciélago (Universidad de

Maryland, USA)

Chip capaz de percibir movimiento basado en el sistema visual de la

mosca (Universidad de Arizona, USA).

10
 101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

1110 1010 REALISTAS:

0001 DESARROLLO

 El sistema nervioso es
increíblemente complejo.

 Existen diversas maneras de analizar

la estructura del sistema nervioso:
• Técnicas de tinción.
• Scanners cerebrales.
• Medición de corrientes y voltaje con
microelectrodos.
• Pruebas clínicas:
electroencéfalogramas,
electromiogramas, etc.

101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

1110 1010 REALISTAS:

0001 DESARROLLO

 En neurofisiología, neuroanatomía y cibernética los

investigadores solo pueden analizar destruyendo parcialmente.
Ejemplos:
 Introduciendo un microelectrodo en el sistema nervioso, se pueden
obtener datos de gran detalle local, pero también causar lesiones.
 Un cibernetista que estudie el comportamiento de animales puede
producir una lesión intelectual.

 Cada técnica empleada permite analizar un cierto fenómeno o

varios, pero no todos.
 Necesario reunir los resultados de todas las técnicas para
conseguir una visión completa.

11
 101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

1110 1010 REALISTAS:

0001 DESARROLLO

NO SE PUEDE DECIR CUÁL ES LA MANERA MÁS ADECUADA DE

AVANZAR EN INVESTIGACIÓN, PERO:

 Es necesario que el investigador tenga el asesoramiento y

preparación adecuados en los temas implicados en el trabajo
que va a realizar.
 En estudios con los modelos computacionales se evitará la
destrucción, aunque fuera parcial.

TAREA MUY DIFÍCIL Y DE MÁXIMA IMPORTANCIA

Reunión de científicos de todas las áreas implicadas en el

modelo a construir, consiguiendo que se entiendan entre ellos: idioma
común.

101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

1110 1010 REALISTAS:

0001 DESARROLLO

 En el sistema nervioso, un proceso relevante a modelizar puede ser:

 Subcelular: mecanismos de membrana.

 Entrada y salida de una neurona, considerada aisladamente y como

una unidad funcional.

 Funcionamiento de redes de neuronas con relaciones intercelulares

complejas.

 Correspondencias entre redes de neuronas y el propio

comportamiento global del organismo con respecto a su medio.

12
 101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

1110 1010 REALISTAS:

0001 DESARROLLO

 El diseñador del modelo tiene acceso a cada una de las variables y

puede definir escenarios similares a los experimentales con el objetivo
de comparar resultados simulados con los reales.
 Esta flexibilidad es imposible de conseguir con las técnicas de la
Neurociencia clásica.
 Pasos para la construcción del modelo:
 Toma de datos. Dependen del problema:
• Dinámica de una neurona: registros in vitro e in vivo.
• Proceso cognitivo de alto nivel: técnicas de imagen.
 Elaboración de hipótesis. En función de las evidencias
experimentales y del nivel de descripción (molecular, neuronal,
sinapsis, etc).

101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

1110 1010 REALISTAS:

0001 DESARROLLO

 Determinación de los mecanismos biofísicos y bioquímicos

neuronales que podrían explicar los fenómenos observables y los
datos recogidos.

 Determinación de los modelos matemáticos apropiados para

representar las hipótesis sobre los mecanismos anteriores.

 Selección de métodos numéricos: traducen las ecuaciones

matemáticas a algoritmos.

 Simulación computacional: Traducir el algoritmo a un lenguaje de

programación en simuladores neuronales.

13
 101110 10101110101
MODELOS
01101 01 1010 COMPUTACIONALES

1110 1010 REALISTAS:

0001 DESARROLLO

 Se va a describir un modelo computacional concreto.

 Ha permitido colaborar en el estudio de procesos neurofisiológicos.

 Ha sido necesario el trabajo en equipo de expertos en temas

diversos, como: neurofisiólogos, biólogos, bioquímicos e
informáticos.

EJEMPLO MODELO REALISTA:

MODELO COMPUTACIONAL DE LA IAHP 10

EN NEURONAS PIRAMIDALES CA1 DE 011

10

HIPOCAMPO 010
0101 01

1010

1010 10

14
 101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

1110 1010 0001

SISTEMA A MODELIZAR:
 Se encuentra en el HIPOCAMPO del cerebro de rata.
 Constituido por neuronas piramidales de la capa denominada
CA1 del hipocampo.
PROPÓSITO DE LA MODELIZACIÓN
Conocer y comprender la función que desempeña la corriente de
potasio dependiente de calcio denominada IAHP (Afterhyperpolarization
current - corriente de después de la hiperpolarización).

OBJETIVO ÚLTIMO
Estudiar la relación de estos fenómenos con lo que ocurre en el
cerebro humano.

101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

1110 1010 0001 FENÓMENO AHP

– AHP: fenómeno que afecta a la diferencia de potencial que existe en un

momento dado en una neurona
– Notable retardo en el retorno del voltaje de membrana de la neurona
desde un valor muy hiperpolarizado (por debajo del potencial de reposo),
hasta el estado estacionario o de reposo (-65mV).
– Se origina principalmente como consecuencia de la aparición en ciertos
canales de la membrana, de corrientes de K+ que se desplazan hacia el
exterior de la neurona.
– El origen de estas corrientes depende:
• Existencia de ciertos iones (Ca++) en el interior de la célula y,
• Según sea la corriente de que se trate, de la diferencia de potencial que posea
la neurona.

30

15
 101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

1110 1010 0001 POTENCIAL DE ACCIÓN

-60

Potencial de Membrana ( mV) 0

Sobredescarga

Potencial
-80 Umbral
Respuesta
local

Vrep

Corriente
estimulante

Umbral
Corriente

1 2 3 4 5

Tiempo ( ms)

31

101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

1110 1010 0001 SISTEMA REAL

Alveus Ax.

Basal
Stratum dendrites
Oriens
Intracellular
recording

Stratum
Pyramidale

Extracellular
stimulation
Schaffer collaterals
Stratum Apical
Radiatum dendrites
(proximal)

Apical
dendrites
(distal)

16
 101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

HERRAMIENTA DE MODELIZACIÓN
1110 1010 0001
H

 NEURON (Universidad de Yale), diseñado para resolver

problemas que impliquen a células con una morfología
compleja, con membranas en las que se puedan incorporar
canales permeables a iones específicos y todo tipo de
mecanismos.

 Implementadas todas las características que soportan la

estructura y el posterior funcionamiento de un subconjunto de
neuronas piramidales.

 Permite el análisis del comportamiento del sistema al poder

variar fácilmente cualquier parámetro de los que controlan la
simulación.

101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

ETAPAS SEGUIDAS
1110 1010 0001 EN LA MODELIZACIÓN (I)

 Tomar contacto con el mundo de la neurofisiología y adquirir

los conocimientos necesarios para comprender perfectamente
lo que se va a simular.
 Implementación de los mecanismos estudiados que controlan
el funcionamiento de las neuronas del sistema real.
 Creación de una sección que representa a una neurona
sencilla, con el objeto de estudiar si los mecanismos
implementados provocan los efectos observados in vitro.
 Construir un conjunto constituido por 4 secciones específicas
que interaccionan entre sí, representando una neurona
piramidal.
 Se trabaja con el conjunto creado hasta alcanzar los objetivos
de funcionamiento deseados.

17
 101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

ETAPAS SEGUIDAS
1110 1010 0001 EN LA MODELIZACIÓN (II)

 Elaboración del modelo final del sistema:

 Se añaden 2 nuevas secciones que actúan como neuronas

presinápticas: CPRESY1 y CPRESY2.

 Juegan el papel de neuronas piramidales de la capa CA3 del

hipocampo y permiten la existencia de sinapsis Schaffer collaterals,
con la dendrita apical de la neurona virtual de CA1 antes creada.

 Realización de los ajustes y cambios necesarios en los

mecanismos y canales introducidos para facilitar la aparición
de fenómenos observados en los experimentos in vitro.

 Confirmación de hipótesis y suposiciones mediante el

estudio del comportamiento del modelo.

101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

1110 1010 0001 MODELO FINAL

18
 101110 10101110101
MODELO COMPUTACIONAL DE IAHP
01101 01 1010

1110 1010 0001 GRÁFICAS

Todos los efectos producidos en el sistema pueden medirse y

analizarse a través de una serie de gráficos que NEURON dispone
para ello

101110 10101110101
01101 01 NEURON
1010

ENTORNO DE SIMULACIÓN
1110 1010 0001

http://www.neuron.yale.edu
REUNIÓN DE DISTINTOS MÓDULOS
 Interfaz sencilla que facilita la visualización de los componentes que el
usuario crea.
 Lenguaje orientado a objetos que se utiliza para todo lo relacionado a la
interfaz gráfica. Ficheros con la extensión *.hoc con las instrucciones
para cargar directamente al ejecutar el programa.
 Intérprete de comandos (HOC) desde donde se puede crear y dirigir
una simulación concreta introduciendo instrucciones escritas en un
lenguaje similar al C (simulaciones simples).
 Lenguaje específico (NMODL) con el que se implementan los
mecanismos, canales y puntos de proceso (ficheros *.mod). Tratan con
corrientes, concentraciones de iones y variables de estado, las cuales
siguen reglas definidas por determinadas ecuaciones.

19
 101110 10101110101
01101 01 NEURON
1010

ENTORNO DE SIMULACIÓN
1110 1010 0001

 Permite editar y cambiar el valor de los parámetros en cualquier

momento.
 Permite la creación de neuronas y la implementación de
mecanismos y canales, para introducirlos en ellas (*.hoc y *.mod).
 Los resultados de las simulaciones pueden verse a través de
distintos tipos de gráficos:
 Valores de voltaje y corriente en una determinada posición de la
neurona en cualquier instante del tiempo que dure la simulación.
 Análisis de variables con respecto al espacio.
 Opciones para realizar estadísticas y controles.

101110 10101110101
01101 01 NEURON
1010

ENTORNO DE SIMULACIÓN
1110 1010 0001

 El entorno de simulación NEURON permite combinar el trabajo de

programación con la utilización de ventanas y menús de carácter
visual.

 El usuario puede crear sus modelos:

 Incorporando los parámetros de los mismos a través de ficheros de

código y datos.

 También mediante menús y ventanas, en las cuales se pueden

establecer valores y diseñar elementos del modelo.

20
 101110 10101110101
01101 01 1010 NEURON
ENTORNO DE0001
1110 1010 SIMULACIÓN: ficheros *.hoc
load_file("nrngui.hoc")
nrncontrolmenu() // COMANDOS DE CONTROL DEL PROGRAMA

create seccion // SE CREAN TANTAS SECCIONES COMO SEA NECESARIO

seccion{
diam=
L=
insert hh
}
access seccion

objectvar stimulo // ESTÍMULOS PARA APLICAR A LAS SECCIONES

stimulo = new IClamp(.5)
stimulo.amp =
stimulo.del =
stimulo.dur =

101110 10101110101
01101 01 1010 NEURON
ENTORNO DE0001
1110 1010 SIMULACIÓN: ficheros *.hoc

 Para crear una sección de una neurona se escribe lo siguiente y se

introducen valores para cada parámetro (diam- diametro de la sección, L-
longitud, insert hh – inserción del canal de hodking y huxley, finalmente se
accede a la sección mediante “access” y el nombre de la sección):

create seccion

seccion{
diam=
L=
insert hh
}
access seccion 42

21
 101110 10101110101
01101 01 1010 NEURON
ENTORNO DE0001
1110 1010 SIMULACIÓN: ficheros *.hoc

 Para imitar una estimulación de corriente en el NEURON se crea el objeto

que representará el estímulo y se le asignan los valores de amplitud (amp),
retardo en ocurrir (del) y duración de dicho estímulo (dur):

objectvar stimulo
stimulo = new IClamp(.5)
stimulo.amp = 1
stimulo.del =
stimulo.dur =

43

101110 10101110101
01101 01 NEURON
1010

ENTORNO DE SIMULACIÓN
1110 1010 0001

22
 101110 10101110101
01101 01 NEURON
1010

PRÁCTICA
1110 1010DE
0001MODELIZACIÓN

OBJETIVO: Toma de contacto con NEURON.

A. Crear una sección de una neurona, que en este caso representará el soma, con las siguientes
características morfológicas:
•Una longitud de 65μm
•Diámetro de 65μm
•Introducir el mecanismo integrado con el entorno denominado de Hodking y Huxley (HH), que controla los
canales de sodio/potasio y los canales de fuga.

NOTA: Conservar los valores por defecto de los demás parámetros implicados.

B. Estimular la sección creada con un pulso de corriente (IClamp) de las siguientes características:
•Retardo de comienzo del pulso (del): 2ms
•Duración del pulso (dur): 2ms
•Amplitud (amp): 1nA

C. Representar gráficamente el cambio de voltaje (v) que se produce en el punto medio del soma durante 44
ms, debido a la estimulación que le ha sido aplicada (tstop=44).

D. Analiza las siguientes situaciones y escribe un informe que muestre lo que ha sucedido con el potencial de
acción de tu modelo, explicando el por qué de cada situación e incluyendo una conclusión personal sobre la
modelización computacional realista.

1. Cambia a 5 μm la longitud de tu sección.

2. Vuelve a dejar los valores como estaban en las condiciones iniciales y solamente cambia a 0.5nA la amplitud
del pulso de estimulación.
3. Averigua la amplitud umbral para las condiciones iniciales y para las condiciones de la situación D.1
(precisión: 2 decimales).

101110 10101110101
01101 01 1010

1110 1010 0001

23