Salta al contenuto principale della pagina

COMPUTATIONAL NEUROSCIENCE

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
  • PERIODO 1° Semestre
    MATERIALE DIDATTICO AULAWEB

    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

    Commissione d'esame

    PAOLO MASSOBRIO (Presidente)

    SERGIO MARTINOIA

    SILVIO PAOLO SABATINI (Presidente Supplente)

    LEZIONI

    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