Modelagem matemática e computacional em neurociência

Transcrição

1 Modelagem matemática e computacional em neurociência Alexandre L. Madureira alm Laboratório Nacional de Computação Científica LNCC Petrópolis - RJ VII Bienal da SBM

2 Conteúdo Motivação Modelagem do neurônio Conclusões

3 Conteúdo Motivação O cérebro humano Complexidade e multiescala Modelagem do neurônio Conclusões

4 O cérebro humano Neurociência Matemática: busca compreender o sistema nervoso via modelagem matemática área multidisciplinar Homer Simpson

5 Complexidade Processamento Cerebral: sistema complexo: unidades simples (neurônios?) agindo em conjunto multiescala: eventos na microescala (no espaço/tempo) com efeitos na macroescala só importa o efeito global, macroscópico Cérebro Masculino

6 Exemplo de multiescala: leitura Descrição da Leitura microescala: lemos letras formando palavras, formando frases, etc. só o que importa é o efeito macroscópico, i.e., a mensagem memória fazendo upscaling

7 Escalas em Neurociência Nível Escala física (metros) Dinâmica Molecular Canais e sinapses Neurônios Redes de neurônios Sistemas cerebrais Cérebro e comportamento Baseado em De Schutter, 2000

8 Conteúdo Motivação Modelagem do neurônio O que é Modelos Um neurônio Espacial Discretização Conclusões

9 Um neurônio matemático Não parece complicado:

10 Neurônios de verdade

11 Neurônios digitalizado: Modelagem Matemática: domínio dado por uma árvore em cada galho: sistema não linear de EDOs e EDPs acopladas problema multiescalas: modelagem fina de redes de neurônios

12 Como os neurônios funcionam Sinal neuronal: informação via disparos elétricos gradiente de concentração iônica gera diferença de potencial elétrico (Voltagem) Portões iônicos: permitem passagem de íons pela membrana abertos ou fechados dependendo da voltagem

13 Comportamento básico Sinal neuronal: para estímulos pequenos: comportamento linear acima do limiar de disparo : comportamento não-linear fenômeno do tipo tudo ou nada a exata forma do pulso não é de interesse, mas sim quando ele se deu

14 Dinâmica do disparo E Na V Na + channels close Na + channels open K + channels open V rest E K time Refractory period Disparo: comportamento não-linear envolvendo abrimentos e fechamentos de canais

15 Lula e seu axônio gigante

16 Modelo de Hodgkin Huxley c M V t = ḡ K n 4 (E K V ) + ḡ Na m 3 h (E Na V ) + ḡ L (E L V ) dn = α n (V )(1 n) β n (V )n dt dm = α m (V )(1 n) β m (V )m dt dh = α h (V )(1 n) β h (V )h dt Determinados experimentalmente: α n (V ) = 0.001(V + 55)/{1 exp[ (V + 55)/10]}, β n (V ) = exp[ (V + 65)/80],... Constantes: c M, ḡ K, E K, ḡ Na, E Na, ḡ L, E L

17 Um modelo mais simples: Fitzhugh-Nagumo dv = V V 3 dt 3 w + I dw = ɛ(v w) dt para pequenas estímulos, a voltagem cresce para evitar explosões, subtraímos termo cúbico w: regula a recuperação do fluxo iônico

18 Um modelo mais simples: Fitzhugh-Nagumo dv = V V 3 dt 3 w + I dw = ɛ(v w) dt para pequenas estímulos, a voltagem cresce para evitar explosões, subtraímos termo cúbico w: regula a recuperação do fluxo iônico

19 Um modelo mais simples: Fitzhugh-Nagumo dv = V V 3 dt 3 w + I dw = ɛ(v w) dt para pequenas estímulos, a voltagem cresce para evitar explosões, subtraímos termo cúbico w: regula a recuperação do fluxo iônico

20 Modelo de Fitzhugh-Nagumo dv = V V 3 dt 3 w + I dw = ɛ(v w) Espaço de fase: dt bidimensional: espaço de fase mais fácil de analisar teoria matemática mais robusta análise qualitativa de sistemas dinâmicos: estabilidades, bifurcações concentra grande parte da neurociência matemática

21 Equação do cabo Os modelos anteriores não levam em conta a parte espacial do neurônio. Modelo completo dado pela equação do cabo: c M V t = ɛ 2 V x 2 i íons g i (V )(V E i ) Notação: c M, ɛ E i : constantes g i : condutância em relação ao íon i, depende não linearmente de V no modelo Hodgkin Huxley, g i depende de V via EDOs

22 Domínio espacial

23 Na árvore neuronal: HH nas arestas condições de transmissão nas bifurcações continuidade da voltagem conservação de corrente Nas bifurcações: V e1 (p) = V e2 (p) = V e3 (p), V n (p) + V e1 n (p) + V e2 n (p) = 0 e3 p e 1 e 2 e 3

24 Esquema Numérico Discretização no tempo 1. em cada passo de tempo 1.1 resolver as EDOs 1.2 na árvore: obter uma EDP linear e estacionária 1.3 resolver as EDPs usando decomposição de domínio Discretização Espacial 1. separar o domínio nas bifurcações 2. resolver as equações diferenciais 1D em paralelo 3. resolver um sistema algébrico ( # bifurcações)

25 Discretização temporal do modelo de Hodgkin Huxley Conhecendo os dados em t j, achar condutâncias em t j+1 : n j+1 n j = α n (V j )(1 n j+1 ) β n (V j )n j+1 δt m j+1 m j = α m (V j )(1 m j+1 ) β m (V j )m j+1 δt h j+1 h j = α h (V j )(1 h j+1 ) β h (V j )h j+1 δt Observação paralelismo: atualizações são independentes

26 Discretização espacial do modelo de Hodgkin Huxley Achar V j+1 : c M V j+1 V j δt = ɛ 2 V j+1 x 2 ḡ K n 4 j+1 (V j+1 E K ) ḡ Na m 3 j+1 h(v j+1 E Na ) ḡ L (V j+1 E L ) Reescrevendo: onde ɛδt 2 V j+1 x 2 + σv j+1 = I σ = c M + ḡ K δtn 4 j+1 + ḡ Naδtm 3 j+1 h + ḡ Lδt, I = ḡ K δtn 4 j+1 E K + ḡ Na δtm 3 j+1 he Na + ḡ L δte L + c M V j

27 Decomposição de domínio para discretização espacial Em paralelo e 2 e 1 p e 3 Ṽi resolve EDP em e i com Ṽi(p) = 1 e lado direito zero ˆVi resolve EDP em e i com cond. cont. Dirichlet zero, e lado direito não-nulo seja λ = V (p) então V ei = λṽi + ˆV i Sequencial compute λ usando compatibilidade nas bifurcações

28 Observações sobre o problema 1D A EDP é peculiar: ɛδt 2 V j+1 x 2 + σv j+1 = I método simples gera matriz tridiagonal cuidado: é singularmente perturbado mas é 1D, não pode ser tão ruim MsFEM é nodalmente exato mas σ é conhecido apenas num número finito de pontos

29 Aplicações Objetivo: desenvolver software eficiente que simule comportamento neuronal (A. Gomes (LNCC), C. Bajaj (U.T. Austin), D. Abrunhosa (LNCC)) Passos: incorporar dados de reconstrução realista de neurônios de microscopia eletrônica contruir software flexível para permitir modelagem multifísica simulações baseadas em métodos modernos V V E Na Na + channels close E Na Na + channels close Na + channels Na + channels open open K + channels K + channels open open V rest V rest E K time Refractory period E K time Refractory period

30 Aplicações Objetivo: problema inverso: determinar condutâncias via experimentos (A. Leitão (UFSC), J. Mandujano Valle (LNCC)) O problema: considere V = F(g) onde c M V t = ɛ 2 V g(x)(v E) x 2 ache g = F 1 (V ) Landweber não-linear: g k+1 = g k + F (g k ) [F(g k ) V ]

31 Conteúdo Motivação Modelagem do neurônio Conclusões

32 Conclusões Neurociência é uma ativa área de pesquisa, com interessantes aspectos matemáticos e computacionais decomposição de domínios se adapta bem em modelos de EDPs em neurônios. A ideia é decompor o neurônio em arestas, e resolver problemas 1D em paralelo Desafio: múltiplas escalas temporais e espaciais Futuro: aumentar o tamanho das redes de neurônios e incluir aspectos da fisiologia Avanços devido a melhores computadores e melhor modelagem matemática

33 Bibliografia I

34 FIM Obrigado!