Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Вычислительная неврология (также известная как теоретическая нейробиология или математическая нейробиология ) является филиалом  нейробиологии ,  которая использует математические модели, теоретический анализ и абстракцию мозга , чтобы понять принципы , которые регулируют развитие , строение , физиологию и познавательные способности на нервной системе . [1] [2] [3] [4]

Вычислительная нейробиология использует компьютерное моделирование для проверки и решения математических моделей, и поэтому ее можно рассматривать как подраздел теоретической нейробиологии; однако эти два поля часто являются синонимами. [5] Термин математическая нейробиология также иногда используется, чтобы подчеркнуть количественную природу поля. [6]

Вычислительная нейробиология фокусируется на описании биологически вероятных нейронов (и нейронных систем ), их физиологии и динамики, и поэтому не имеет прямого отношения к биологически нереалистичным моделям, используемым в коннекционизме , теории управления , кибернетике , количественной психологии , машинном обучении , искусственных нейронных сетях. , искусственный интеллект и теория вычислительного обучения ; [7] [8] [9] [10]хотя существует взаимное вдохновение и иногда нет строгих границ между областями [11] [12] [13] [14] с абстракцией модели в вычислительной нейробиологии в зависимости от объема исследования и степени детализации, на которой анализируются биологические объекты.

Модели в теоретической нейробиологии нацелены на фиксацию основных характеристик биологической системы в различных пространственно-временных масштабах, от мембранных токов и химической связи через сетевые колебания , столбчатую и топографическую архитектуру, ядра, вплоть до психологических способностей, таких как память, обучение и поведение. Эти вычислительные модели создают гипотезы, которые могут быть непосредственно проверены биологическими или психологическими экспериментами.

История [ править ]

Термин «вычислительная нейробиология» был введен Эриком Л. Шварцем , который организовал конференцию, состоявшуюся в 1985 году в Кармеле, Калифорния , по запросу Фонда развития систем, чтобы представить краткое изложение текущего состояния области, которая до этого момента назывался множеством имен, таких как нейронное моделирование, теория мозга и нейронные сети. Материалы этого собрания по определениям были опубликованы в 1990 году как книга « Вычислительная нейронаука» . [15] Первая из ежегодных открытых международных встреч, посвященных вычислительной нейробиологии, была организована Джеймсом М. Бауэром и Джоном Миллером в Сан-Франциско, Калифорния, в 1989 году. [16]Первая образовательная программа для выпускников по вычислительной нейробиологии была организована как кандидат вычислительных и нейронных систем. программа в Калифорнийском технологическом институте в 1985 году.

Ранние исторические корни этой области можно проследить до работ таких людей, как Луи Лапик , Ходжкин и Хаксли , Хьюбел и Визель и Дэвид Марр . Лапик представил интегрирующую и активирующую модель нейрона в основополагающей статье, опубликованной в 1907 году [17], модель, по-прежнему популярная для исследований искусственных нейронных сетей из-за своей простоты (см. Недавний обзор [18] ).

Примерно 40 лет спустя Hodgkin & Huxley разработали зажим напряжения и создали первую биофизическую модель потенциала действия . Хьюбел и Визель обнаружили, что нейроны первичной зрительной коры , первой области коры головного мозга , обрабатывающей информацию, поступающую от сетчатки , имеют ориентированные рецептивные поля и организованы в столбцы. [19] Работа Дэвида Марра была сосредоточена на взаимодействии между нейронами, предлагая вычислительные подходы к изучению того, как функциональные группы нейронов в гиппокампе и неокортексевзаимодействовать, хранить, обрабатывать и передавать информацию. Вычислительное моделирование биофизически реалистичных нейронов и дендритов началось с работы Уилфрида Ралла с первой многокомпонентной моделью, основанной на теории кабеля .

Основные темы [ править ]

Исследования в области вычислительной нейробиологии можно условно разделить на несколько направлений. Большинство компьютерных нейробиологов тесно сотрудничают с экспериментаторами в анализе новых данных и синтезе новых моделей биологических явлений.

Моделирование одного нейрона [ править ]

Основная статья: Биологические модели нейронов

Даже отдельный нейрон имеет сложные биофизические характеристики и может выполнять вычисления (например, [20] ). Исходная модель Ходжкина и Хаксли использовала только два тока, чувствительных к напряжению (чувствительные к напряжению ионные каналы представляют собой молекулы гликопротеинов, которые проходят через липидный бислой, позволяя ионам проходить при определенных условиях через аксолемму), быстродействующий натрий и выпрямляющий внутрь калий . Несмотря на успех в предсказании временных и качественных характеристик потенциала действия, он, тем не менее, не смог предсказать ряд важных характеристик, таких как адаптация и маневрирование.. Ученые теперь считают, что существует большое разнообразие чувствительных к напряжению токов, и последствия различной динамики, модуляции и чувствительности этих токов являются важной темой вычислительной нейробиологии. [21]

Вычислительные функции сложных дендритов также интенсивно исследуются. Существует большое количество литературы о том, как различные токи взаимодействуют с геометрическими свойствами нейронов. [22]

Некоторые модели также отслеживают биохимические пути в очень маленьких масштабах, таких как шипы или синаптические щели.

Существует множество программных пакетов, таких как GENESIS и NEURON , которые позволяют быстрое и систематическое моделирование in silico реалистичных нейронов. Blue Brain , проект, основанный Генри Маркрамом из Федеральной политехнической школы Лозанны , направлен на создание детализированной биофизической симуляции кортикального столба на суперкомпьютере Blue Gene .

Моделирование разнообразия биофизических свойств в масштабе одного нейрона может предоставить механизмы, которые служат строительными блоками для сетевой динамики. [23] Однако подробное описание нейронов требует больших вычислительных ресурсов, и это может помешать проведению реалистичных сетевых исследований, в которых необходимо моделировать множество нейронов. В результате исследователи, изучающие большие нейронные цепи, обычно представляют каждый нейрон и синапс с помощью искусственно простой модели, игнорируя многие биологические детали. Следовательно, есть стремление создавать упрощенные модели нейронов, которые могут сохранять значительную биологическую точность при низких вычислительных затратах. Были разработаны алгоритмы для создания точных, более быстрых, упрощенных моделей суррогатных нейронов на основе дорогостоящих в вычислительном отношении подробных моделей нейронов.[24]

Развитие, формирование аксонального паттерна и руководство [ править ]

Вычислительная нейробиология направлена ​​на решение широкого круга вопросов. Как аксоны и дендриты образуются во время развития? Как аксоны узнают, куда нацеливаться и как достичь этих целей? Как нейроны перемещаются в нужное положение в центральной и периферической системах? Как образуются синапсы? Из молекулярной биологии мы знаем, что отдельные части нервной системы выделяют различные химические сигналы, от факторов роста до гормонов, которые модулируют и влияют на рост и развитие функциональных связей между нейронами.

Теоретические исследования формирования и паттерна синаптических связей и морфологии все еще находятся в зачаточном состоянии. Одна из гипотез, которая недавно привлекла некоторое внимание, - это гипотеза минимальной проводки , которая постулирует, что образование аксонов и дендритов эффективно минимизирует распределение ресурсов при сохранении максимального объема хранения информации. [25]

Сенсорная обработка [ править ]

Ранние модели сенсорной обработки, понятые в рамках теоретической основы, приписываются Горацию Барлоу . В некоторой степени похожая на гипотезу минимального соединения, описанную в предыдущем разделе, Барлоу понимал, что обработка ранних сенсорных систем является формой эффективного кодирования , когда нейроны кодируют информацию, которая сводит к минимуму количество всплесков. С тех пор экспериментальные и вычислительные работы в той или иной форме подтвердили эту гипотезу. В примере визуальной обработки эффективное кодирование проявляется в формах эффективного пространственного кодирования, цветового кодирования, временного кодирования / кодирования движения, стереокодирования и их комбинаций. [26]

Далее по визуальному пути даже эффективно закодированной визуальной информации слишком много для пропускной способности информационного узкого места, узкого места визуального внимания. [27] Последующая теория была развита на экзогенном выборе внимания визуальной входной информации для дальнейшей обработки, руководствуясь восходящей картой значимости в первичной зрительной коре. [28]

Текущие исследования сенсорной обработки делятся на биофизическое моделирование различных подсистем и более теоретическое моделирование восприятия. Современные модели восприятия предполагают, что мозг выполняет некоторую форму байесовского вывода и интеграцию различной сенсорной информации при формировании нашего восприятия физического мира. [29] [30]

Управление двигателем [ править ]

Было разработано множество моделей того, как мозг управляет движением. Сюда входят модели обработки в головном мозге, такие как роль мозжечка в исправлении ошибок, обучение навыкам в моторной коре и базальных ганглиях или контроль вестибулоокулярного рефлекса. Это также включает в себя множество нормативных моделей, таких как модели байесовского или оптимального управления, которые построены на идее, что мозг эффективно решает свои проблемы.

Память и синаптическая пластичность [ править ]

Основная статья: синаптическая пластичность

Ранние модели памяти в первую очередь основаны на постулатах изучения Хебба . Биологически релевантные модели, такие как сеть Хопфилда , были разработаны для изучения свойств ассоциативного (также известного как «адресуемая по содержанию») стиля памяти, которые проявляются в биологических системах. Эти попытки в первую очередь сосредоточены на формировании средне- и долговременной памяти , локализующейся в гиппокампе . Модели рабочей памяти , основанные на теориях сетевых колебаний и постоянной активности, были построены, чтобы уловить некоторые особенности префронтальной коры в контекстно-зависимой памяти. [31]Дополнительные модели рассматривают тесную взаимосвязь между базальными ганглиями и префронтальной корой и то, как это влияет на рабочую память. [32]

Одна из основных проблем нейрофизиологической памяти заключается в том, как она поддерживается и изменяется в разных временных масштабах. Нестабильные синапсы легко тренировать, но они также подвержены стохастическим нарушениям. Стабильные синапсы труднее забывают, но их труднее консолидировать. Одна недавняя вычислительная гипотеза включает каскады пластичности, которые позволяют синапсам функционировать в разных временных масштабах. [33] Были построены стереохимически подробные модели синапсов на основе рецепторов ацетилхолина с помощью метода Монте-Карло , работающие на шкале времени в микросекунды. [34] Вероятно, вычислительные инструменты внесут большой вклад в наше понимание того, как синапсы функционируют и изменяются по отношению к внешним стимулам в ближайшие десятилетия.

Поведение сетей [ править ]

Биологические нейроны связаны друг с другом сложным, повторяющимся образом. Эти связи, в отличие от большинства искусственных нейронных сетей , редки и обычно специфичны. Неизвестно, как информация передается через такие редко связанные сети, хотя определенные области мозга, такие как зрительная кора , понимаются довольно подробно. [35] Также неизвестно, каковы вычислительные функции этих конкретных шаблонов подключения, если таковые имеются.

Взаимодействие нейронов в небольшой сети часто можно свести к простым моделям, таким как модель Изинга . В статистической механике таких простых систем хорошо характеризуются теоретически. Недавно появились данные, свидетельствующие о том, что динамика произвольных нейронных сетей может быть сведена к попарным взаимодействиям. [36] Однако неизвестно, наделяет ли такая описательная динамика какой-либо важной вычислительной функцией. С появлением двухфотонной микроскопии и визуализации кальция у нас теперь есть мощные экспериментальные методы, с помощью которых можно проверить новые теории, касающиеся нейронных сетей.

В некоторых случаях сложные взаимодействия между тормозящими и возбуждающими нейронами можно упростить с помощью теории среднего поля , которая дает начало популяционной модели нейронных сетей. [37] В то время как многие нейротеористы предпочитают такие модели с меньшей сложностью, другие утверждают, что выявление структурно-функциональных отношений зависит от включения как можно большего количества нейронных и сетевых структур. Модели этого типа обычно строятся на больших платформах моделирования, таких как GENESIS или NEURON. Было предпринято несколько попыток предоставить унифицированные методы, которые соединяют и интегрируют эти уровни сложности. [38]

Визуальное внимание, идентификация и категоризация [ править ]

Визуальное внимание можно описать как набор механизмов, ограничивающих некоторую обработку только подмножеством входящих стимулов. [39] Механизмы внимания формируют то, что мы видим и что мы можем действовать. Они позволяют одновременно выбирать некоторую (желательно релевантную) информацию и блокировать другую информацию. Чтобы иметь более конкретную спецификацию механизма, лежащего в основе визуального внимания и привязки функций, был предложен ряд вычислительных моделей, нацеленных на объяснение психофизических открытий. В целом, все модели постулируют существование карты значимости или приоритета для регистрации потенциально интересных областей входного сигнала сетчатки и механизма стробирования для уменьшения количества входящей визуальной информации, чтобы ограниченные вычислительные ресурсы мозга могли справиться с ней. .[40] Пример теории, которая тщательно проверяется поведенчески и физиологически, - это гипотеза восходящей карты значимости в первичной зрительной коре головного мозга. [28] Вычислительная нейробиология предоставляет математическую основу для изучения механизмов, участвующих в работе мозга, и позволяет полностью моделировать и предсказывать нейропсихологические синдромы.

Познание, различение и обучение [ править ]

Компьютерное моделирование высших когнитивных функций появилось совсем недавно [ когда? ] началось. Экспериментальные данные поступают в основном из единичных записей у приматов . Лобная доля и теменная доля функционирует в качестве интеграторов информации из множества сенсорных модальностей. Есть некоторые предварительные идеи относительно того, как простые взаимно тормозящие функциональные цепи в этих областях могут выполнять биологически значимые вычисления. [41]

Мозг , кажется, способен различать и особенно хорошо адаптироваться в определенных контекстах. Например, кажется, что люди обладают огромной способностью запоминать и узнавать лица . Одна из ключевых целей вычислительной нейробиологии - проанализировать, как биологические системы эффективно выполняют эти сложные вычисления и потенциально могут воспроизвести эти процессы при создании интеллектуальных машин.

Принципы крупномасштабной организации мозга освещаются во многих областях, включая биологию, психологию и клиническую практику. Интегративная нейробиология пытается объединить эти наблюдения с помощью унифицированных описательных моделей и баз данных поведенческих измерений и записей. Это основы для некоторого количественного моделирования крупномасштабной мозговой активности. [42]

Вычислительное репрезентативное понимание разума ( CRUM ) - это еще одна попытка моделирования человеческого познания с помощью смоделированных процессов, таких как приобретенные системы на основе правил при принятии решений и манипулирование визуальными представлениями при принятии решений.

Сознание [ править ]

Одна из конечных целей психологии / нейробиологии - объяснить повседневный опыт сознательной жизни. Фрэнсис Крик , Джулио Тонони и Кристоф Кох сделали несколько попыток сформулировать согласованные рамки для будущей работы в области нейронных коррелятов сознания (НКС), хотя большая часть работы в этой области остается спекулятивной. [43] В частности, Крик [44] предостерег нейробиологию от того, чтобы подходить к темам, которые традиционно оставались на усмотрение философии и религии. [45]

Вычислительная клиническая неврология [ править ]

Вычислительная клиническая нейробиология - это область, которая объединяет экспертов в области нейробиологии, неврологии , психиатрии , науки о принятии решений и компьютерного моделирования для количественного определения и исследования проблем неврологических и психических заболеваний , а также для обучения ученых и клиницистов, которые хотят применять эти модели для диагностики и лечения. . [46] [47]

См. Также [ править ]

  • Потенциал действия
  • Биологические модели нейронов
  • Байесовский мозг
  • Моделирование мозга
  • Вычислительная анатомия
  • Коннектомика
  • Дифференцируемое программирование
  • Электрофизиология
  • Модель ФитцХью – Нагумо
  • Модель Гальвеса – Лёхербаха
  • Уравнение гольдмана
  • Модель Ходжкина – Хаксли
  • Теория информации
  • Математическая модель
  • Нелинейная динамика
  • Нейронное кодирование
  • Нейронное декодирование
  • Нейронные колебания
  • Нейроинформатика
  • Нейропластичность
  • Нейрофизиология
  • Ноогенезис
  • Системная неврология
  • Теоретическая биология
  • Тета-модель

Примечания и ссылки [ править ]

  1. ^ Траппенберг, Томас П. (2010). Основы вычислительной нейробиологии . США: Oxford University Press Inc., стр.  2 . ISBN 978-0-19-851582-1.
  2. ^ Что такое вычислительная нейробиология? Патрисия С. Черчленд, Кристоф Кох, Терренс Дж. Сейновски. in Computational Neuroscience pp.46-55. Под редакцией Эрика Л. Шварца. 1993. MIT Press "Архивная копия" . Архивировано из оригинала на 2011-06-04 . Проверено 11 июня 2009 .CS1 maint: заархивированная копия как заголовок ( ссылка )
  3. ^ Нажмите, Массачусетский технологический институт. «Теоретическая неврология» . MIT Press . Архивировано из оригинала на 2018-05-31 . Проверено 24 мая 2018 .
  4. ^ Герстнер, В .; Kistler, W .; Naud, R .; Панински, Л. (2014). Нейрональная динамика . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 9781107447615.
  5. ^ Томас, Траппенберг (2010). Основы вычислительной нейробиологии . ОУП Оксфорд. п. 2. ISBN 978-0199568413. Проверено 17 января 2017 года .
  6. ↑ Гуткин, Борис; Пинто, Дэвид; Эрментраут, Бард (2003-03-01). «Математическая нейробиология: от нейронов до цепей и систем». Журнал физиологии-Париж . Нейрогеометрия и зрительное восприятие. 97 (2): 209–219. DOI : 10.1016 / j.jphysparis.2003.09.005 . ISSN 0928-4257 . PMID 14766142 . S2CID 10040483 .   
  7. ^ Kriegeskorte, Николаус; Дуглас, Памела К. (сентябрь 2018 г.). «Когнитивная вычислительная нейробиология» . Природа Неврологии . 21 (9): 1148–1160. arXiv : 1807.11819 . Bibcode : 2018arXiv180711819K . DOI : 10.1038 / s41593-018-0210-5 . ISSN 1546-1726 . PMC 6706072 . PMID 30127428 .   
  8. ^ "Журнал Энцефалоса" . www.encephalos.gr . Проверено 20 февраля 2018 .
  9. ^ "Органически-вдохновленная робототехника: гомеостатическая адаптация и телеология за пределами замкнутой сенсомоторной петли". S2CID 15349751 .  Цитировать журнал требует |journal=( помощь )
  10. ^ Brooks, R .; Hassabis, D .; Bray, D .; Шашуа, А. (22.02.2012). «Столетие Тьюринга: является ли мозг хорошей моделью для машинного интеллекта?» . Природа . 482 (7386): 462–463. Bibcode : 2012Natur.482..462. . DOI : 10.1038 / 482462a . ISSN 0028-0836 . PMID 22358812 . S2CID 205070106 .   
  11. ^ Browne, А. (1997-01-01). Перспективы нейронных сетей в познании и адаптивной робототехнике . CRC Press. ISBN 9780750304559.
  12. ^ «Адитья Гилра: биологически правдоподобное обучение в нейронных сетях для управления движением и когнитивных задач» . Проверено 11 декабря 2019 .
  13. ^ Зорзи, Марко; Testolin, Альберто; Стоянов, Ивилин П. (2013-08-20). «Моделирование языка и познания с глубоким обучением без учителя: обзор учебного пособия» . Границы в психологии . 4 : 515. DOI : 10.3389 / fpsyg.2013.00515 . ISSN 1664-1078 . PMC 3747356 . PMID 23970869 .   
  14. ^ Шай, Адам; Ларкум, Мэтью Эван (2017-12-05). «Разветвляясь в мозги» . eLife . 6 . DOI : 10.7554 / eLife.33066 . ISSN 2050-084X . PMC 5716658 . PMID 29205152 .   
  15. ^ Шварц, Эрик (1990). Вычислительная нейробиология . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-19291-0.
  16. ^ Бауэр, Джеймс М. (2013). 20 лет вычислительной нейробиологии . Берлин, Германия: Springer. ISBN 978-1461414230.
  17. ^ Lapicque L (1907). «Изучение количественных показателей электрического возбуждения для характерной поляризации нервных импульсов». J. Physiol. Патол. Gen . 9 : 620–635.
  18. Перейти ↑ Brunel N, Van Rossum MC (2007). «Статья Лапика 1907 года: от лягушек к объединению и огню». Биол. Киберн . 97 (5–6): 337–339. DOI : 10.1007 / s00422-007-0190-0 . PMID 17968583 . S2CID 17816096 .  
  19. ^ Хьюбел DH, Визель Т. (1962). «Рецептивные поля, бинокулярное взаимодействие и функциональная архитектура зрительной коры головного мозга кошки» . J. Physiol . 160 (1): 106–54. DOI : 10.1113 / jphysiol.1962.sp006837 . PMC 1359523 . PMID 14449617 .  
  20. Перейти ↑ Forrest MD (2014). «Внутриклеточная динамика кальция позволяет модели нейрона Пуркинье выполнять вычисления переключения и усиления на ее входах» . Границы вычислительной неврологии . 8 : 86. DOI : 10,3389 / fncom.2014.00086 . PMC 4138505 . PMID 25191262 .  
  21. ↑ Ву, Самуэль Мяо-син; Джонстон, Дэниел (1995). Основы клеточной нейрофизиологии . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-10053-3.
  22. Перейти ↑ Koch, Christof (1999). Биофизика вычислений: обработка информации в отдельных нейронах . Оксфорд [Оксфордшир]: Издательство Оксфордского университета. ISBN 978-0-19-510491-2.
  23. Перейти ↑ Forrest MD (2014). «Внутриклеточная динамика кальция позволяет модели нейрона Пуркинье выполнять вычисления переключения и усиления на ее входах» . Границы вычислительной неврологии . 8 : 86. DOI : 10,3389 / fncom.2014.00086 . PMC 4138505 . PMID 25191262 .  
  24. Перейти ↑ Forrest MD (апрель 2015 г.). «Моделирование действия алкоголя на детальной модели нейрона Пуркинье и более простой суррогатной модели, которая работает в> 400 раз быстрее» . BMC Neuroscience . 16 (27): 27. DOI : 10,1186 / s12868-015-0162-6 . PMC 4417229 . PMID 25928094 .  
  25. ^ Chklovskii DB, Мел BW, Svoboda K (октябрь 2004). «Кортикальная перестройка и хранение информации». Природа . 431 (7010): 782–8. Bibcode : 2004Natur.431..782C . DOI : 10,1038 / природа03012 . PMID 15483599 . S2CID 4430167 .  
    Обзорная статья
  26. ^ Zhaoping L. 2014, Эффективный принцип кодирования , глава 3, из учебника Понимание концепции: теория, модели и данные
  27. ^ см. визуальное пространственное внимание https://en.wikipedia.org/wiki/Visual_spatial_attention
  28. ^ а б Ли. Z. 2002 Карта значимости в первичной зрительной коре Тенденции в когнитивных науках vol. 6, страницы 9–16, и Чжаопин Л. 2014, Гипотеза V1 - создание восходящей карты значимости для предварительного выбора и сегментации в книге « Понимание видения: теория, модели и данные».
  29. ^ Вайс, Яир; Simoncelli, Eero P .; Адельсон, Эдвард Х. (20 мая 2002 г.). «Иллюзии движения как оптимальные восприятия». Природа Неврологии . 5 (6): 598–604. DOI : 10.1038 / nn0602-858 . PMID 12021763 . S2CID 2777968 .  
  30. ^ Эрнст, Марк O .; Бюлтхофф, Генрих Х. (апрель 2004 г.). «Слияние чувств в устойчивое восприятие». Тенденции в когнитивных науках . 8 (4): 162–169. CiteSeerX 10.1.1.299.4638 . DOI : 10.1016 / j.tics.2004.02.002 . PMID 15050512 . S2CID 7837073 .   
  31. ^ Durstewitz D, Seamans JK, Сейновски TJ (2000). «Нейровычислительные модели рабочей памяти». Nat. Neurosci . 3 (Дополнение): 1184–91. DOI : 10.1038 / 81460 . PMID 11127836 . S2CID 8204235 .  
  32. ^ Франк, MJ; Loughry, B .; О'Рейли, RC (2001). «Взаимодействие между лобной корой и базальными ганглиями в рабочей памяти: вычислительная модель» (PDF) . Когнитивная, аффективная и поведенческая нейробиология . 1 (2): 137–160. DOI : 10,3758 / cabn.1.2.137 . PMID 12467110 . S2CID 964100 . Проверено 6 декабря 2018 .   
  33. ^ Fusi S, Дрю PJ, Abbott LF (2005). «Каскадные модели синаптически сохраненных воспоминаний». Нейрон . 45 (4): 599–611. DOI : 10.1016 / j.neuron.2005.02.001 . PMID 15721245 . S2CID 2981869 .  
  34. ^ Coggan JS, Bartol TM, Esquenazi E, et al. (2005). «Доказательства эктопической нейротрансмиссии в синапсе нейронов» . Наука . 309 (5733): 446–51. Bibcode : 2005Sci ... 309..446C . DOI : 10.1126 / science.1108239 . PMC 2915764 . PMID 16020730 .  
  35. ^ Olshausen, Bruno A .; Филд, Дэвид Дж. (1997-12-01). «Разреженное кодирование с избыточным базовым набором: стратегия, используемая V1?». Исследование зрения . 37 (23): 3311–3325. DOI : 10.1016 / S0042-6989 (97) 00169-7 . PMID 9425546 . S2CID 14208692 .  
  36. ^ Schneidman E, Berry MJ, Segev R, Bialek W (2006). «Слабые парные корреляции подразумевают сильно коррелированные состояния сети в нейронной популяции» . Природа . 440 (7087): 1007–12. arXiv : q-bio / 0512013 . Bibcode : 2006Natur.440.1007S . DOI : 10,1038 / природа04701 . PMC 1785327 . PMID 16625187 .  
  37. ^ Уилсон, HR; Коуэн, JD (1973). «Математическая теория функциональной динамики корковой и таламической нервной ткани». Кибернетик . 13 (2): 55–80. DOI : 10.1007 / BF00288786 . PMID 4767470 . S2CID 292546 .  
  38. ^ Андерсон, Чарльз Х .; Элиасмит, Крис (2004). Нейронная инженерия: вычисления, представление и динамика в нейробиологических системах (вычислительная нейробиология) . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-55060-4.
  39. ^ Марвин М. Чун; Джереми М. Вулф; Э. Б. Гольдштейн (2001). Справочник Блэквелла по ощущениям и восприятию . Blackwell Publishing Ltd. стр.  272 -310. ISBN 978-0-631-20684-2.
  40. ^ Эдмунд Роллс; Густаво Деко (2012). Вычислительная неврология зрения . Оксфордская стипендия онлайн. ISBN 978-0-198-52488-5.
  41. ^ Machens CK, Ромо R, CD - Броуди (2005). «Гибкое управление взаимным торможением: нейронная модель двухинтервальной дискриминации». Наука . 307 (5712): 1121–4. Bibcode : 2005Sci ... 307.1121M . CiteSeerX 10.1.1.523.4396 . DOI : 10.1126 / science.1104171 . PMID 15718474 . S2CID 45378154 .   
  42. Перейти ↑ Robinson PA, Rennie CJ, Rowe DL, O'Connor SC, Gordon E (2005). «Многомасштабное моделирование мозга» . Философские труды Королевского общества B . 360 (1457): 1043–1050. DOI : 10.1098 / rstb.2005.1638 . PMC 1854922 . PMID 16087447 .  
  43. Перейти ↑ Crick F, Koch C (2003). «Каркас сознания» . Nat. Neurosci . 6 (2): 119–26. DOI : 10.1038 / nn0203-119 . PMID 12555104 . S2CID 13960489 .  
  44. ^ Крик, Фрэнсис (1994). Поразительная гипотеза: научный поиск души . Нью-Йорк: Скрибнер.
  45. ^ Крик, Фрэнсис; Кох, Кристофер (1998). Сознание и нейробиология . Кора головного мозга (Нью-Йорк, Нью-Йорк: 1991) . 8 . Основные источники в научном изучении сознания. Наука. С. 97–107. DOI : 10.1093 / cercor / 8.2.97 . PMID 9542889 . 
  46. ^ Adaszewski S1, Dukart Дж, Kherif Р, Р Frackowiak, Draganski В; Инициатива по нейровизуализации болезни Альцгеймера (2013 г.). «Насколько рано мы можем предсказать болезнь Альцгеймера с помощью компьютерной анатомии?». Neurobiol Aging . 34 (12): 2815–26. DOI : 10.1016 / j.neurobiolaging.2013.06.015 . PMID 23890839 . S2CID 1025210 .  CS1 maint: multiple names: authors list (link)
  47. ^ Friston KJ, Стефан KE, Монтегю R, Долан RJ (2014). «Вычислительная психиатрия: мозг как фантастический орган». Ланцетная психиатрия . 1 (2): 148–58. DOI : 10.1016 / S2215-0366 (14) 70275-5 . PMID 26360579 . 

Библиография [ править ]

  • Чкловский ДБ (2004). «Синаптическая связь и морфология нейронов: две стороны одной медали». Нейрон . 43 (5): 609–17. DOI : 10.1016 / j.neuron.2004.08.012 . PMID  15339643 . S2CID  16217065 .
  • Сейновски, Терренс Дж .; Черчленд, Патрисия Смит (1992). Вычислительный мозг . Кембридж, Массачусетс: MIT Press . ISBN 978-0-262-03188-2.
  • Герстнер, В .; Kistler, W .; Naud, R .; Панински, Л. (2014). Нейрональная динамика . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 9781107447615.
  • Даян П .; Эбботт, LF (2001). Теоретическая нейробиология: вычислительное и математическое моделирование нейронных систем . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-04199-7.
  • Элиасмит, Крис; Андерсон, Чарльз Х. (2003). Нейронная инженерия: представление, вычисления и динамика в нейробиологических системах . Кембридж, Массачусетс: MIT Press . ISBN 978-0-262-05071-5.
  • Ходжкин А.Л. , Хаксли А.Ф. (28 августа 1952 г.). «Количественное описание мембранного тока и его применение к проводимости и возбуждению в нерве» . J. Physiol . 117 (4): 500–44. DOI : 10.1113 / jphysiol.1952.sp004764 . PMC  1392413 . PMID  12991237 .
  • Уильям Биалек ; Рике, Фред; Дэвид Варланд; Роб де Руйтер ван Стивенинк (1999). Шипы: изучение нейронного кода . Кембридж, Массачусетс: Массачусетский технологический институт. ISBN 978-0-262-68108-7.
  • Шуттер, Эрик де (2001). Вычислительная нейробиология: реалистичное моделирование для экспериментаторов . Бока-Ратон: CRC. ISBN 978-0-8493-2068-2.
  • Sejnowski, Terrence J .; Хеммен, Дж. Л. Ван (2006). 23 проблемы системной нейробиологии . Оксфорд [Оксфордшир]: Издательство Оксфордского университета. ISBN 978-0-19-514822-0.
  • Майкл А. Арбиб; Сюн-ичи Амари; Пруденс Х. Арбиб (2002). Справочник по теории мозга и нейронных сетей . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-01197-6.
  • Чжаопин, Ли (2014). Понимание видения: теория, модели и данные . Оксфорд, Великобритания: Издательство Оксфордского университета. ISBN 978-0199564668.

См. Также [ править ]

Программное обеспечение [ править ]

  • BRIAN , симулятор на основе Python
  • Budapest Reference Connectome , веб-инструмент трехмерной визуализации для поиска связей в человеческом мозгу
  • Новое программное обеспечение для нейронного моделирования.
  • GENESIS , общая система нейронного моделирования.
  • NEST - это симулятор для моделирования нейронных сетей, который фокусируется на динамике, размере и структуре нейронных систем, а не на точной морфологии отдельных нейронов.

Внешние ссылки [ править ]

Журналы [ править ]

  • Журнал математической неврологии
  • Журнал вычислительной неврологии
  • Нейронные вычисления
  • Когнитивная нейродинамика
  • Границы вычислительной нейробиологии
  • PLoS вычислительная биология
  • Границы нейроинформатики

Конференции [ править ]

  • Вычислительная и системная нейробиология (COSYNE) - вычислительная нейробиология, встречающаяся с фокусом системной нейробиологии.
  • Annual Computational Neuroscience Meeting (CNS) - ежегодное собрание по вычислительной нейробиологии.
  • Computational Cognitive Neuroscience - ежегодное собрание по вычислительной нейробиологии с акцентом на когнитивные явления.
  • Neural Information Processing Systems (NIPS) - ведущая ежегодная конференция, посвященная в основном машинному обучению.
  • Международная конференция по когнитивной нейродинамике (ICCN) - ежегодная конференция.
  • UK Mathematical Neurosciences Meeting - ежегодная конференция, посвященная математическим аспектам.
  • Bernstein Conference on Computational Neuroscience (BCCN) - ежегодная конференция по вычислительной нейробиологии].
  • Конференции AREADNE - проводимые раз в два года встречи, которые включают теоретические и экспериментальные результаты.

Сайты [ править ]

  • Энциклопедия вычислительной нейробиологии , часть Scholarpedia , онлайн-энциклопедии, созданной экспертами по вычислительной нейробиологии и динамическим системам.