Lorenz, Gabriel M. (2019) Interacción funcional entre neuronas: aplicación en la retina / Functional interaction between neurons: application in the retina. Maestría en Ciencias Físicas, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 3710Kb |
Resumen en español
La función principal de las neuronas es la de codificar información: pueden codificar la información de un estimulo, transmitir ordenes a otras regiones o servir de enlace para otras neuronas, entre otras cosas. Al estudiar como una población de neuronas codifica información externa, es común que se analice la dependencia de esta información con la actividad individual de cada neurona, ignorando las correlaciones dentro de la población. Si bien esto contribuye en gran parte a caracterizar neuronas y poblaciones de ellas, se ha encontrado que las neuronas realizan cómputos complejos, a ´un en capas de bajo nivel, gracias a las interacciones entre neuronas de una misma capa. Por lo tanto, es necesario estudiar el comportamiento conjunto de las neuronas en la codificación. Existen modelos que incorporan las interacciones entre pares de neuronas y que logran describir mejor el comportamiento de algunas poblaciones de neuronas. No obstante, no proveen una perspectiva completa a la hora de entender el origen de las correlaciones o la función que cumplen en la codificación del estímulos. En este trabajo proponemos una forma de entender esta codificación al buscar no solo las características del estimulo que inducen una respuesta de una determinada neurona sensorial, sino también aquellas que modulan la interacción entre esta y una neurona vecina de su mismo nivel. Para ello, planteamos una distribución de probabilidad conjunta para el disparo de dos neuronas considerando que la correlación entre ellas es guiada por campos receptivos en el estímulo. A fin de poder calcular los parámetros de este modelo en datos experimentales construimos un estimador que discrimina los campos receptivos individuales de los de interacción, a ´un en casos de pocas muestras. Aplicamos el modelo a mediciones de células ganglionares de la retina de ratón. Encontramos evidencia de campos receptivos de la interacción inhibitorios y los resultados fueron consistentes con los obtenidos por el modelo marginal. Además, las pruebas de validación hechas sobre el modelo muestran una mejora en la capacidad de predicción de datos en comparación al modelo de probabilidad marginal en tres de cuatro casos estudiados.
Resumen en inglés
Coding information is the principal function of neurons: they can code information from stimuli, give orders to other regions in the body and be messengers for other neurons, among other things. When one studies how a neuronal population codes external information, it is common to analyze the dependence of this information with every individual neural activity, disregarding correlations inside the population. Although this contributes greatly to characterize neurons and populations, it has been found that neurons can make complex calculations even in low level layers thanks to interactions between neurons in the same layer. Because of this, it is necessary to search how to study the joint behavior of neurons in coding. Currently, there are models that incorporate pairwise interactions to describe population behavior. Nevertheless, they do not provide foundations necessary to understand the origin of these correlations or its function in stimulus coding. In this work we propose a probability model for a pair of neurons, imcorporating explicitly a correlation modulated by the stimulus. We constructed a bayesian estimator to fit the model to experimental data. This estimator is capable of discriminate between individual and coupling receptive fields, even in low-count measurements scenarios. We applied the model in retinal ganglion cells of mice. We found evidence of inhibitory coupling receptive fields and its features were consistent with ones from the marginal model. We run a cross-validation test and found positive results for three of four studied pairs.
| Tipo de objeto: | Tesis (Maestría en Ciencias Físicas) |
|---|---|
| Palabras Clave: | Retina; [Computational neuroscience; Neurociencia computacional; Neural correlations; Correlaciones neuronales; Bayesian inference; Inferencia bayesiana] |
| Referencias: | [1] Hubel, D. H., Wiesel, T. N. Receptive fields of single neurones in the cat’s striate cortex. The Journal of physiology, 148 (3), 574–591, 1959. 1, 6 [2] Gross, C. G., Rocha-Miranda, C. E., Bender, D. B. Visual properties of neurons in inferotemporal cortex of the macaque. Journal of Neurophysiology, 35 (1), 96–111, 1972. URL https://doi.org/10.1152/jn.1972.35.1.96, pMID: 4621506.1 [3] O´Keefe, J., Dostrovsky, J. The hippocampus as a spatial map. preliminary evidence from unit activity in the freely-moving rat. Brain Research, 34 (1), 171 – 175, 1971. URL http://www.sciencedirect.com/science/article/pii/0006899371903581. 1, 6 [4] Dayan, P., Abbott, L. Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. Computational Neuroscience Series. Massachusetts Institute of Technology Press, 2001. URL https://books.google.com.ar/books?id=5GSKQgAACAAJ. 1 [5] Squire, L. R., Dronkers, N., Baldo, J. Encyclopedia of neuroscience. Elsevier,2009. 1, 4 [6] Schwartz, O., Simoncelli, E. P. Natural signal statistics and sensory gain control. Nature neuroscience, 4 (8), 819, 2001. 1 [7] Kandel, E. R., Schwartz, J. H., Jessell, T. M., of Biochemistry, D., Jessell, M. B. T., Siegelbaum, S., et al. Principles of neural science, tomo 4. McGraw-hill New York, 2000. 2 [8] Pillow, J. W., Shlens, J., Paninski, L., Sher, A., Litke, A. M., Chichilnisky, E., et al. Spatio-temporal correlations and visual signalling in a complete neuronal population. Nature, 454 (7207), 995, 2008. 2, 32 [9] Schneidman, E., Berry II, M. J., Segev, R., Bialek, W. Weak pairwise correlations imply strongly correlated network states in a neural population. Nature, 440 (7087), 1007, 2006. 2, 21 [10] Granot-Atedgi, E., Tkaˇcik, G., Segev, R., Schneidman, E. Stimulus-dependent maximum entropy models of neural population codes. PLoS computational biology, 9 (3), e1002922, 2013. 2, 21 [11] McIntosh, L., Maheswaranathan, N., Nayebi, A., Ganguli, S., Baccus, S. Deep learning models of the retinal response to natural scenes. En: Advances in neural information processing systems, p´ags. 1369–1377. 2016. 2 [12] Shinomoto, S., Shima, K., Tanji, J. Differences in spiking patterns among cortical neurons. Neural computation, 15 (12), 2823–2842, 2003. 5 [13] Baden, T., Berens, P., Franke, K., Ros´on, M. R., Bethge, M., Euler, T. The functional diversity of retinal ganglion cells in the mouse. Nature, 529 (7586), 345, 2016. 6, 21, 22, 23 [14] Samengo, I., Gollisch, T. Spike-triggered covariance: geometric proof, symmetry properties, and extension beyond gaussian stimuli. Journal of computational neuroscience, 34 (1), 137–161, 2013. 6, 11 [15] Gerstner, W., Kistler, W., Naud, R., Paninski, L. Neuronal Dynamics: From Single Neurons to Networks and Models of Cognition. Cambridge University Press, 2014. URL https://books.google.com.ar/books?id=D4j2AwAAQBAJ. 7 [16] Amari, S.-I. Information geometry on hierarchy of probability distributions. IEEE transactions on information theory, 47 (5), 1701–1711, 2001. 8 [17] Bialek, W., van Steveninck, R. R. Features and dimensions: Motion estimation in fly vision. arXiv preprint q-bio/0505003, 2005. 11, 15 [18] C´aceres, M. O. Non-equilibrium statistical physics with application to disordered systems. Springer, 2017. 14 [19] Wolpert, D. H., Wolf, D. R. Estimating functions of probability distributions from a finite set of samples. Phys. Rev. E, 52, 6841–6854, Dec 1995. URL https://link.aps.org/doi/10.1103/PhysRevE.52.6841. 17 [20] Sch ¨ urmann, T., Grassberger, P. Entropy estimation of symbol sequences. Chaos: An Interdisciplinary Journal of Nonlinear Science, 6 (3), 414–427, 1996. 17, 27 [21] Meister, M., Lagnado, L., Baylor, D. A. Concerted signaling by retinal ganglion cells. Science, 270 (5239), 1207–1210, 1995. 21, 30 [22] Lorenz, M. Interacci ´on funcional entre neuronas de la: descripci´on con estimadores Bayesianos y redes neuronales. Proyecto Fin de Carrera, Instituto Balseiro, 2019. 32 [23] Prentice, J. S., Marre, O., Ioffe, M. L., Loback, A. R., Tkaˇcik, G., Berry II, M. J. Error-robust modes of the retinal population code. PLoS computational biology, 12 (11), e1005148, 2016. 32 |
| Materias: | Medicina > Neurociencias |
| Divisiones: | Gcia. de área de Investigación y aplicaciones no nucleares > Gcia. de Física > Física médica |
| Código ID: | 880 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 14 Abr 2021 10:26 |
| Última Modificación: | 14 Abr 2021 10:26 |
Personal del repositorio solamente: página de control del documento
