Computing the Optimally Fitted Spike Train for a Synapse

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Maass W.,  Natschlager T.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 18 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 172 کیلوبایت 

قیمت کتاب (تومان) : 50,000

محاسبات عصبی 13، 2477-2494 (2001) داده های تجربی نشان داده اند که سیناپس ها ناهمگن هستند:
سیناپس های مختلف با توالی های متفاوتی از دامنه های پس سیناپسی پاسخ می دهند. br/> به همان قطار سنبله پاسخ می دهد. نه نقش دینامیک سیناپسی به خودی خود و نه نقش ناهمگنی دینامیک سیناپسی برای محاسبات
در مدارهای عصبی به خوبی درک نشده است. ما در این مقاله
دو روش محاسباتی ارائه می‌کنیم که محاسبه سیناپس معین را با پارامترهای سیناپسی شناخته شده امکان پذیر می‌سازد. با کمک این روش‌ها،
می‌توان برای مثال، الگوی زمانی یک قطار سنبله را محاسبه کرد (با
تعداد مشخصی از سنبله‌ها) که بیشترین مجموع پاسخ‌های پسسیناپسی را ایجاد می‌کند. یک سیناپس خاص چندین برنامه دیگر نیز
مورد بحث قرار گرفته است. در کمال تعجب، متوجه شدیم که اکثر این قطارهای سنبله با برازش بهینه، با الگوهای شلیک رایج انواع خاصی از نورون‌ها مطابقت دارند که در ادبیات بحث شده است. از این رو، تجزیه و تحلیل ما یک توضیح عملکردی ممکن برای نظم مشاهده شده تجربی
در ترکیب انواع خاصی از سیناپس ها با انواع خاصی از نورون ها در مدارهای عصبی ارائه می دهد.

Neural Computation 13, 2477–2494 (2001) Experimental data have shown that synapses are heterogeneous: different
synapses respond with different sequences of amplitudes of postsynaptic
responses to the same spike train. Neither the role of synaptic dynamics
itself nor the role of the heterogeneity of synaptic dynamics for computations
in neural circuits is well understood. We present in this article
two computational methods that make it feasible to compute for a given
synapse with known synaptic parameters the spike train that is optimally
fitted to the synapse in a certain sense. With the help of these methods,
one can compute, for example, the temporal pattern of a spike train (with
a given number of spikes) that produces the largest sum of postsynaptic
responses for a specific synapse. Several other applications are also
discussed. To our surprise, we find that most of these optimally fitted
spike trains match common firing patterns of specific types of neurons
that are discussed in the literature. Hence, our analysis provides a possible
functional explanation for the experimentally observed regularity
in the combination of specific types of synapses with specific types of
neurons in neural circuits.