CARRERA

GESTIÓN REDES DE AGUA POTABLE Y AGUA

RESIDUAL – CICLO II – M - A

EVALUACIÓN
UNIDAD DEL
DIDÁCTICA
SISTEMA DE
ALCANTARILLADO

ING. ZENÓN ARMANDO ROMERO PALMA

INTRODUCCIÓN
NEUROCIENCIA COMPUTACIONAL
• La Neurociencia Computacional es una disciplina
consolidada, con más de 20 años de desarrollo, y que
emplea técnicas muy diversas para entender diferentes
computaciones cerebrales.
• Alan Turing, considerado uno de los padres de la ciencia
de la computación y precursor de la informática
moderna, quiso entender como el cerebro realizaba
operaciones complejas y acabó fabricando el primer
ordenador en 1950. Desde aquí, los ordenadores han
evolucionado muchísimo.
NEUROCIENCIA COMPUTACIONAL

¿Cómo es capaz el cerebro de procesar tal información y

darnos un significado tan unívoco? Si ocurre en todas las
personas (o en la mayoría de ellas), ¿debe haber un
circuito alojado físicamente en nuestro cerebro que
procesa e interpreta esta información? Para la
Neurociencia Computacional, sí. Su principio
paradigmático número 1 es que cualquier computación o
proceso cognitivo (función) que tiene lugar en nuestro
cerebro tiene un determinado circuito físico o “cableado”
que lo procesa (estructura).
HERRAMIENTAS DE SIMULACIÓN
Hay varias estrategias para implementar computacionalmente un modelo neuronal una
vez concluido su desarrollo teórico. Se puede escribir un código dedicado en cualquier
lenguaje de programación (C, C++, FORTRAN), utilizar algún tipo de software
matemático de propósito general para llevar a cabo el cálculo numérico requerido por
la dinámica del modelo (Matlab, Mathematica, Maple,...), o hacer uso de alguno de los
simuladores diseñados para construir neuronas y redes neuronales.
Cada una de estas estrategias tiene una serie de ventajas respecto a las demás, aunque
ninguna está libre de inconvenientes. El código dedicado será siempre el método más
eficiente y optimizado (todo lo que uno quiera que sea) desde el punto de vista
computacional . Sin embargo, es el método que exige un mayor esfuerzo para la
implementación del modelo (escritura, verificación, depuración de errores, etc.) y el
menos flexible para introducir modificaciones o extensiones del modelo (a no ser que se
oriente la programación para esta tarea, en cuyo caso el programa estaría ya dentro de
la categoría de simulador).
HERRAMIENTAS DE SIMULACIÓN
En cuanto al software de cálculo numérico, Matlab y Mathematica disponen de
paquetes para construir arquitecturas de redes neuronales artificiales, y contienen todo
el aparato matemático necesario para resolver los sistemas de ecuaciones no lineales
acopladas de los modelos de generación de potencial de acción más realistas. Sin
embargo, la implementación de modelos multicompartimentales no está incluida y
resulta engorrosa de programar en estos paquetes, al igual que cualquier modificación
de las conexiones en la red una vez establecidas. Por otro lado, al ser estas
herramientas de propósito general, consumen muchos recursos de hardware debido al
soporte de un gran número de características que en su mayoría no van a ser utilizadas
por el modelador de redes de neurocomputación biológica.
El SIMULADOR DE
NEUROCOMPUTACIÓN XSIM
INTRODUCCIÓN
• Una herramienta para modelar redes neuronales de
fácil manejo, capaz de implementar una amplia gama
de estrategias de simulación biológica y prácticamente
todos los niveles de resolución en simulación neuronal.
• Desde sus comienzos, XSim se diseñó como software
de dominio público. Su código está documentado y
tiene un manual de usuario [Varona et al., 1994] y otro
técnico [Varona y Sigüenza, 1997] que explica en detalle
los modelos disponibles en la librería estándar del
simulador.
CONSTRUCCIÓN DE MODELOS
Cada compartimento en XSim se construye a partir de dos tipos de estructuras con una
metodología orientada a objetos. La primera estructura, que constituye un tipo celular, es
común a todos los compartimentos del mismo tipo, y contiene las funciones y los parámetros
que caracterizan al modelo. La segunda estructura es privada y contiene las variables y
parámetros particulares de cada neurona. Estas estructuras y los compartimentos que
componen se construyen fácilmente a partir de un número reducido de comandos.
CONSTRUCCIÓN DE MODELOS
La construcción de un modelo neuronal en Xsim requiere de los siguientes pasos:

Crear los
Definir los tipos Construir los Construir los
compartimento
celulares sites links
s unit
EJEMPLOS DE MODELOS CONTRUIDOS
POR XSIM
Modelo de células beta pancreáticas

Modelo del control motor en la médula espinal

Modelo para el procesamiento de imágenes

Modelo de microcolumna cortical con 5 neuronas que implementan canales

de Na, K, Ca y de K dependiente de Ca
Modelo bicompatimental que conserva muchas de las características de los
modelos con mayor resolución
VIDEO: How to Get Your Brain to
Focus | Chris Bailey | TEDxManchester
REFERENCIAS
Churchland, P. y Sejnowski, T. J. (1992). The Computational Brain. The MIT Press.
Cortés, J. M., Marinazzo, D., Oram, M., Series, P., Sejnowski, T. J. y van Rossum, M. C. W. (en
revisión). Invariant population coding accuracy after visual adaptation.
Douglas, R. J., Koch, C., Mahowald, M., Martin, K. A. y Suarez, H. H. (1995). Recurrent excitation
in neocortical circuits. Science, 269, 981-985.
Dragoi, V., Sharma, J. y Sur, M. (2000). Adaptation-Induced Plasticity of Orientation Tuning in
Adult Visual Cortex. Neuron, 28, 287 – 298.
Gutnisky, D. A. y Dragoi, V. (2008). Adaptive coding of visual information in neural populations.
Nature, 452, 220-224.
Johnson, E. N., Hawken, M. J. y Shapley, R. (2008). The Orientation Selectivity of Color-
Responsive Neurons in Macaque V1. The Journal of Neuroscience, 28, 8096-8106.
LINKS
https://
www.psicoterapiarelacional.es/Portals/0/eJournalCeIR/V3N1_2009/5_Coderch_Neurociencia-M
odelo-Relacional_CeIR_V3N1.pdf
https://
repositorio.uam.es/bitstream/handle/10486/770/20272_varona_martinez_pablo.pdf?sequence
=1