سیستمهای دینامیکی در علوم اعصاب
رویکرد سیستمهای دینامیکی به علوم اعصاب از دینامیک غیرخطی برای درک و مدلسازی سیستم عصبی و عملکردهای آن استفاده میکند. در یک سیستم دینامیکی، تمام حالت های ممکن با یک فضای فاز بیان می شود. چنین سیستمهایی میتوانند با تغییر برخی از پارامترها تغییر کیفی اساسی در رفتارشان(دوشاخگی یا انشعاب) تجربه کنند، و همچنین ممکن است در مجموعه ای از پارامترها رفتار آشوبناک از خودشان بروز دهند. در این رهیافت رفتار دینامیکی غیر خطی در سطوح مختلف مغز از تک تورونها فرایندهای شناختی، مراحل مختلف خواب و رفتار نورونها در شبیهسازیهای نورونی درشت مقیاس توصیف میشوند.
یکی از اولین رخدادهای شناخته شدهای که در آن نورونها بر اساس ریاضی و فیزیکی مدل شدند، مدل ادغام و آتش بود که در سال ۱۹۰۷ توسعه یافت. دههها بعد، کشف آکسون غول پیکر ماهی مرکب در نهایت باعث شد تا آلن هاجکین و اندرو هاکسلی(برادر ناتنی آلدوس هاکسلی) مدل عصبی هاجکین-هاکسلی را توسعه دادند. در سال ۱۹۶۲ مدل هاجکین-هاکسلی در مدلی ساده تر به نام مدل فیتزهیو-ناگومو ارایه گردید. در سال ۱۹۸۱ نیز مدل موریس-لکار برای مدلسازی عضله بارناکل توسعه داده شد.
این مدلهای ریاضی مفید بودند و هنوز در خیلی از کارهای پژوهشی امروزه مورد استفاده قرار میگیرند، بزرگترین مشکل در رابطه با این مدل های ارایه شده غیرخطی بودن آنهاست. این امر بررسی و مطالعه آنها را به روشهای استاندارد نظری غیرممکن کرد. با این حال، توانایی کامپیوترها در حل تقریبی جواب معادلات غیرخطی، درهای زیادی را به روی همه علوم و همچنین علوم اعصاب باز کردند.
دینامیک نورونها
انگیزه رویکرد سیستمهای دینامیکی به علوم اعصاب ناشی از علاقه به پیچیدگی فیزیکی رفتار نورون است. به عنوان مثال، برهمکنش جفت شده بین پتانسیل غشا یک نورون و فعال شدن کانال های یونی در سراسر غشا نورون را در نظر بگیرید. وقتی که پتانسیل غشا یک نورون به اندازه کافی افزایش یابد، کانالهای یونی غشا باز میشوند تا یونهای بیشتری وارد یا خارج شوند. شار یونی پتانسیل غشا را بیشتر تغییر میدهد، که باعث میشود کانالهای یونی بیشتر فعال شوند، که پتانسیل غشا را تحت تأثیر قرار می دهد و ....
این ماهیت معادلات غیرخطی جفت شده است. یک مثال تقریباً ساده از این مدل موریس-لکار است $$ C \frac{dV}{dt}=g_{Ca}M_{ss}(V-V_{Ca}) - g_{K}N(V-V_{K}) - g_{L}(V-V_{L}) + I_{app} $$ $$ \frac{N}{dt} = \frac{ N_{ss} - N }{\tau_{N}} $$
https://en.wikipedia.org/wiki/Dynamical_neuroscience
https://en.wikipedia.org/wiki/Biological_neuron_model
http://www.scholarpedia.org/article/Attractor_network
تحریکپذیری نورونها
چرکنویس
اما توسعه اواخر قرن بیستم مطالعه دینامیکی نورونها را حتی بیشتر کرد: فناوری رایانه.
عنوان اول
- آیتم اول
- آیتم دوم
عنوان دوم
- آیتم اول
- اول
- اول
- دوم
- دوم
- اول
- آیتم دوم