Isum 2017
27 de Febrero al 3 de Marzo del 2017
Hotel Presidente Intercontinental
Guadalajara, Jalisco, México
8th International Supercomputing Conference In Mexico
Living in a new world of "brontus"
data with Supercomputing at hand

 

 

Prevalencia e impacto de distintos patrones de conectividad en la actividad de redes neuronales

Español
 
Dr. Mario Treviño

Investigador Nacional nivel 2 (2012-2021)
País: México

Estudió Ingeniería Química en la Universidad de Guadalajara, México (1998-2002); recibió la beca de excelencia en ingeniería por HACU (Hispanic Association of Colleges and Universities, 2000-2002); y la beca Telmex (1999-2005). Realizó el Doctorado en Investigación Biomédica Básica (Neurociencias) en la Universidad Nacional Autónoma de México, de la Ciudad de México, bajo la tutoría del Dr. Rafael Gutiérrez Aguilar (2002-2007). Ha tenido las siguientes estancias postdoctorales: Zanvyl Krieger Mind/Brain Institute, Johns Hopkins University, USA (2007-2009); Max-Planck Institute for Medical Research, Heidelberg, Germany (2009-2012), recibiendo la beca de la sociedad Max Planck (2009-2012); Max-Planck Florida Institute for Neuroscience, USA (2012-2013). Investigador de Neurociencias en laboratorio de "Plasticidad cortical y aprendizaje perceptual" del Instituto de Neurociencias, Universidad de Guadalajara de (2013- a la fecha). Investigador Nacional nivel 2 (2012-2021). Tiene más de 35 publicaciones indexadas (24 de ellas aparecen en Pubmed), más de 480 citas a sus trabajos, h-index = 11 (2016). Miembro de la Society for Neuroscience y de la American Physiological Society. Es revisor regular de revistas especializadas (Sci. Rep., Plos One, Frontiers) y de proyectos de investigación para organismos nacionales (CONACYT –México).

Conferencia:
Prevalencia e impacto de distintos patrones de conectividad en la actividad de redes neuronales

Creamos una familia de redes neuronales conformadas por una mezcla de interneuronas y células piramidales virtuales, definidas todas ellas con formalismo Hodking-Huxley. Interconectamos estas redes usando modelos de sinapsis químicas y eléctricas con reglas de conectividad que dependen, probabilísticamente, de la distancia intercelular. Asimismo, incorporamos algoritmos que permiten implementar plasticidad de corto y largo plazo en las sinapsis modeladas.

Una vez teniendo las redes interconectadas y completamente funcionales, diseñamos herramientas computacionales que nos permitieron estimar las distribuciones de probabilidad de distintos patrones de conectividad entre neuronas. Con ellas, calculamos las diferencias de conectividad que existen entre nuestras redes y estimaciones obtenidas experimentalmente o creadas artificialmente. Usando estas diferencias de probabilidad, creamos algoritmos 'correctivos' cuyo objetivo fue transformar la conectividad inicial en una que cumpliera con la distribución objetivo deseada. Usando este abordaje, cuantificamos el impacto que tiene la prevalencia de distintos patrones de conectividad en la actividad de la red neuronal entera.

Discutiremos nuestros resultados bajo la premisa de que los mecanismos de plasticidad sináptica, no solo permiten reforzar sinapsis, sino que también podrían ser instrumentales para remover sinapsis (i.e. de manera estructural). Esto, a su vez, podría promover la creación de nuevas sinapsis produciendo cambios que, en conjunto, tenderían a reorganizar los patrones de conectividad de la red.

Esta plataforma de trabajo nos permitirá explorar cómo la plasticidad sináptica y estructural interactúan dinámicamente en redes biológicas y artificiales.

Duración:  30 min.