Welcome to Deepnote

Investigación previa Neurociencia computacional La neurociencia computacional (CN, por sus siglas en inglés, computational neuroscience), se encarga del estudio de las propiedades de las conexiones neuronales y la recreación digital de dichas propiedades, combina principios de la neurobiología, la física, las matemáticas y la informática para desarrollar modelos que simulen el comportamiento neuronal y cognitivo. Estos modelos pueden ayudar a explicar cómo emergen las funciones cerebrales complejas, como la percepción, la memoria y el aprendizaje. Los modelos y simulaciones son obtenidos a partir de la información recabada en experimentos de neuroimagen o psicofisiología con seres humanos. Se utilizan simulaciones generadas a partir de dicha información para pronosticar cuáles pueden ser las posibles redes implicadas en una u otra función. Posteriormente, tales modelos y predicciones son comparados con el desempeño de personas reales sometidas a diseños experimentales en el laboratorio. Los diseños experimentales son cuidadosamente controlados para recrear, lo más fielmente posible, las condiciones que sirvieron como parámetro para las simulaciones. Esta rama de la neurociencia también nos permite establecer un símil entre la forma de aprender de los organismos biológicos y las formas de aprendizaje informatizadas o machine learning. Modelos de neuronas activas A diferencia de los modelos de neuronas pasivas, que simplifican el comportamiento de las neuronas tratándolas como circuitos eléctricos pasivos, los modelos de neuronas activas tienen en cuenta la dinámica compleja de la membrana celular y la generación de potenciales de acción. Estos modelos incorporan ecuaciones diferenciales que describen cómo los iones fluyen a través de los canales iónicos de la membrana, lo que permite simular con mayor precisión el comportamiento biofísico de las neuronas reales. Autómatas celulares Los autómatas celulares son modelos discretos que consisten en una cuadrícula de celdas, cada una de las cuales puede tener un estado determinado, como "encendido" o "apagado". Estas celdas cambian de estado de acuerdo con reglas locales y el estado de sus vecinas. Los autómatas celulares son útiles para simular sistemas dinámicos complejos y estudiar fenómenos emergentes, como la propagación de ondas, la formación de patrones y la autoorganización. Redes de cuadrícula Las redes de cuadrícula son redes neuronales que se encuentran en el cerebro de mamíferos, especialmente en regiones como el hipocampo. Estas redes consisten en neuronas que disparan de manera específica cuando un individuo se encuentra en ubicaciones espaciales discretas, formando una especie de "cuadrícula" que cubre el entorno. Las redes de cuadrícula son importantes para la navegación espacial y la representación cognitiva del espacio. Sincronización En el contexto neuronal, la sincronización se refiere a la coordinación temporal de las actividades neuronales entre diferentes neuronas o regiones cerebrales. La sincronización neuronal puede surgir de la interacción entre las neuronas y puede ser crucial para el procesamiento de información

import numpy as np import matplotlib.pyplot as plt def neuron_walk(L=30, pf=0.1, p=0.7, time=2000): """ Simula el paseo aleatorio de una neurona estocástica. Parámetros: L (float): Umbral de activación de la neurona. pf (float): Probabilidad de disparo si la actividad está por encima de L. p (float): Probabilidad de aumentar la actividad en cada paso de tiempo. time (int): Número de pasos de tiempo para simular. Retorna: list: Una lista que representa la actividad de la neurona en cada paso de tiempo. """ a = [0] # El paseo aleatorio comienza en 0 for t in range(1, time): if a[t - 1] >= L: a.append(-L / 5) # Disminuye la actividad si estaba por encima de L else: if np.random.random() < p: a.append(a[t - 1] + 1) # Aumenta la actividad con probabilidad p else: a.append(a[t - 1]) # Mantiene la actividad con probabilidad 1-p if a[t] >= L and np.random.random() < pf: a[t] = 120 # Si la actividad está por encima de L y dispara con probabilidad pf a[t] =-L / 5 # Si la actividad está por encima de L pero no dispara return a # Graficando gráficos individuales para cada valor de pf plt.figure(figsize=(12, 8)) plt.subplot(3, 1, 1) plt.plot(neuron_walk(), color='blue', linestyle='-', linewidth=2, label='Actividad de la Neurona') plt.axhline(30, color='r', linestyle='--', label='Umbral de Activación (L)') plt.xlabel('Tiempo') plt.ylabel('Actividad de la Neurona') plt.legend() plt.title('Actividad de la Neurona Estocástica con pf = 0.1') plt.yticks(np.arange(0, 121, 20)) # Configura las marcas del eje Y de 0 a 120 con incrementos de 20 plt.subplot(3, 1, 2) plt.plot(neuron_walk(pf=0.5), color='green', linestyle='-.', linewidth=2, label='Actividad de la Neurona') plt.axhline(30, color='r', linestyle='--', label='Umbral de Activación (L)') plt.xlabel('Tiempo') plt.ylabel('Actividad de la Neurona') plt.legend() plt.title('Actividad de la Neurona Estocástica con pf = 0.5') plt.yticks(np.arange(0, 121, 20)) # Configura las marcas del eje Y de 0 a 120 con incrementos de 20 plt.subplot(3, 1, 3) plt.plot(neuron_walk(pf=0.9), color='orange', linestyle=':', linewidth=2, label='Actividad de la Neurona') plt.axhline(30, color='r', linestyle='--', label='Umbral de Activación (L)') plt.xlabel('Tiempo') plt.ylabel('Actividad de la Neurona') plt.legend() plt.title('Actividad de la Neurona Estocástica con pf = 0.9') plt.yticks(np.arange(0, 121, 20)) # Configura las marcas del eje Y de 0 a 120 con incrementos de 20 plt.tight_layout() plt.show()