短时程突触可塑性(short-term synaptic plasticity)

介绍

神经元的突触可塑性一般被认为是大脑学习与记忆的分子生物学机制,它是指突触传递效率增强或减弱的变化现象。若这种变化只持续数十毫秒到几分,便称之为短时程突触可塑性,其中效率增强与减弱分别叫做短时程增强(short-term enhancement)与短时程抑制(short-term depressed);而持续数百毫秒的增强又被称之为短时程易化(  short-term facilitation)

易化与抑制是2种并存的机制,他们的共同作用对神经系统的信息传递起到至关重要的作用。因此,研究短时程突触可塑性具有重要意义。

短期突触可塑性或短期可塑性与长期可塑性不同。 首先,短期可塑性运行的时间尺度远小于长期可塑性的时间尺度,可能与网络动力学的时间尺度相当。 其次,给定突触的短期可塑性是由传入尖峰序列(突触前相关性)中的相关性驱动的,而经典长期塑性是由突触前和突触后活性的相关性驱动的; 后者的一个突出的例子是赫伯的学习规则(Hebb,1949; Gerstner&van Hemmen,1993)。

对短期可塑性进行建模是基于这样的想法:需要某种“资源”来跨越突触间隙传递动作电位(Liley&North,1953; Magleby&Zengel 1975; Abbott等人,1997; Tsodyks&Markram ,1997; Varela等,1997)。 术语“资源”可以解释为神经递质的可用量,某种离子浓度梯度或突触后受体密度或可用性。 我们假设动作电位的每一次传输都会影响可用突触资源的数量,可用资源的数量决定了传输的有效性,从而决定了突触后电位的最大值。

建模短时程抑制

建模短时程抑制。 基于一阶反应动力学的简单模型已经反复证明可以用来定量描述神经肌肉接头处的短期可塑性(Liley&North,1953; Magleby&Zengel,1975)和皮层突触(Tsodyks&Markram 1997; Varela 1997)。 Tsodyks和Markram(1997)的模型假设了三种可能的状态:突触连接的“资源”:有效,无效和恢复。 只要动作电位到达突触,恢复的资源的固定部分R首先变为有效,然后不活动,并最终恢复。 在这些状态之间的转换通过使用时间常数tinact和trec的一级动力学来描述。 实际的突触后电流与有效资源量成比例。

在脉冲响应模型的背景下,三态模型可以被简化,因为突触后电流的时间过程,正如从有效到无效状态的转变所描述的那样,已经被形式的由响应函数给出的突触后电位。唯一相关的数量是由单个动作电位提供的电荷确定的PSP的最大(最小)。由有效和无效到恢复状态的转换由线性微分方程描述,PSP的最大值仅取决于进入的动作电位实际激活的资源量。因此,我们可以总结有效的两步恢复资源,最终形成一个有效(Z)和无效image资源的双态模型。每个进入的动作可能性将瞬时切换活动资源的比例R到非活动状态,从那里恢复到时间常数为t的活动状态;见图1A。从形式上看,

image

其中S(t)= Σfδ(t-tf) 是输入脉冲序列。 该微分等式被很好地定义,如果我们申明Z(t)是左连续的,即Z(tf):=Z(tf-0)

在单次传输中释放的费用以及PSP的最大费用取决于切换到非活动状态的资源的数量,或者等同于紧接在传输之前的活动资源的数量。 那么t时刻突触的强度就是Z(t)的函数,我们简单地把J(t)= J0Z(t)放在其中J0是所有资源处于活动状态的最大突触强度。

现在让我们假设第一个脉冲在t0时刻到达突触。 紧接在尖峰到达之前,所有资源都处于活动状态,并且Z(t0)= 1。动作电位将资源的一小部分R切换到非活动状态,使得Z(t0+0)= 1-R.动作电位的到来,不活跃的资源在t快速恢复,我们有

image

在随后的脉冲的到达时刻t1,只有Z(t1)资源处于活动状态,并且PSP相应地抑制(见图2A和2B)。

image

目前的短期抑制模型(A)和短期促进(B)的示意图。 随着短期抑制,每一个进入的动作电位将活动资源Z的比例R切换到非活动状态image 这被表示为具有时间依赖率R S(t)的一阶反应动力学; 这里S是即将到来的脉冲序列。 从非激活状态,资源随时间常数t放松到活动状态。 短期促进的模型通过反转箭头的方向而从短期抑郁的模型中出现。 表示无效的资源,通过传入的脉冲以QS(t)的速率抽取。 活动资源A以速率τ(-1)放松回到非活动状态。

从前面的几个例子中,我们可以很容易地读出一个复发关系,它将紧接在第n个峰值之前的活动资源量与前一个峰值的量关联起来,

image

顺便说一句,我们注意到替代Z(t0)=1,我们可以采用任何想要的初始条件0<t0≤1. 随后的论点并没有改变.

循环关系(见等式2.5)是Z(tn)=an+bnZ(tn-1) 的形式,其中image并且 image递归替换和简短计算会产生以下显式表达式,表示活动资源的数量,

image

image

在短期抑制(A,B)和促进(C,D)的情况下,膜电位(实线)和突触强度(虚线)作为时间的函数。 在(A)中,在单个传输期间仅使用所有可用资源的一小部分R=0.1,使得突触仅受发送器耗尽的影响。 在(B)中,参数R增加到R=0.9。 这导致了突触强度的显着的短期抑制。 A0=0.1,Q=0.2(C)和A0=0.1,Q=0.8(D)的下面两个图表说明了短期促进。 对于所有的数字,突触恢复的时间常数是t=50毫秒,EPSP的上升时间等于5毫秒。 峰值到达0,8,16,。。。 ,56ms,最后在t=100ms。

image

image

短期促进化建模

以类似的方式,我们可以设计一个模型来解释短期的促进而不是抑制。 为此,我们假设在没有突触前尖峰的情况下,活动突触资源A(t)的分数随时间常数τ衰减。 每个来料加标从无效资源库image中招募一定比例Q; 见图1B。 那么A(t)的动态是

image


image

image


转载于:https://www.cnblogs.com/yifdu25/p/8144593.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/453793.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

windows平台下vlc编译

转自:http://jeremiah.blog.51cto.com/539865/114190Jeremiah刚刚工作几个月&#xff0c;参与的第一个项目是与视频监控有关&#xff0c;分配给我的任务就是用开源的vlc做一个自己的播放器。对于开源项目来说&#xff0c;搭建起编译环境是第一步也是最重要的一步。Jeremiah在历…

深度学习之卷积神经网络 AlexNet

AlexNet 是 2012年ILSVRC 比赛冠军&#xff0c;远超第二名的CNN&#xff0c;比LeNet更深&#xff0c;用多层小卷积叠加来替换单个的大卷积&#xff0c;结构如下图所示。 ​​ 结构 预处理 原始图片&#xff1a;256∗256∗3256*256*3256∗256∗3 图像处理&#xff1a; 1.随机…

jstl处理栏目与子栏目_芬顿氧化法废水处理工程技术规范(征求意见稿)

日前&#xff0c;生态环境部印发《芬顿氧化法废水处理工程技术规范(征求意见稿)》&#xff0c;详情如下&#xff1a;各有关单位&#xff1a;为贯彻《中华人民共和国环境保护法》和《中华人民共和国水污染防治法》等法律法规&#xff0c;防治环境污染&#xff0c;改善环境质量&a…

深度学习之卷积神经网络 ZF Net

ZFNet出自论文《 Visualizing and Understanding Convolutional Networks》&#xff0c;作者Matthew D. Zeiler和Rob Fergus——显然ZFNet是以两位作者名字的首字母命名的。ZFNet通常被认为是ILSVRC 2013的冠军方法&#xff0c;但实际上ZFNet排在第3名&#xff0c;前两名分别是…

vb整合多个excel表格到一张_[Excel]同一工作簿中多个工作表保存成独立的表格

一个工作簿中有多个表格&#xff0c;如何将其表格单独保存成一个独立的文档呢&#xff1f;如果表格少&#xff0c;操作如下&#xff1a;选中要导出表格的标签名--鼠标邮件--移动或复制表格--新建工作簿。当如果表格太多呢&#xff0c;以上方法就太罗嗦了。简单方法用VBA,步骤如…

OpenCore 的代码结构

OpenCore的代码结构 以开源Android 的代码为例&#xff0c;Open Core 的代码在Android 代码的External/Opencore 目录 中。这个目录是OpenCore 的根目录&#xff0c;其中包含的子目录如下所示&#xff1a; android&#xff1a;这里面是一个上层的库&#xff0c;它基于PVPlaye…

深度学习之卷积神经网络 GoogleNet

GoogLeNet Incepetion V1 这是GoogLeNet的最早版本&#xff0c;出现在2014年的《Going deeper with convolutions》。之所以名为“GoogLeNet”而非“GoogleNet”,文章说是为了向早期的LeNet致敬。 深度学习以及神经网络快速发展&#xff0c;人们不再只关注更给力的硬件、更大…

Jzoj4348 打击目标

又是被水题坑了。。。 一直想不出来看题解说要什么主席树&#xff0c;于是开始打离线算法 结果打到一半发现要强制在线。。No!!! 发现直接AC自动机似乎可做&#xff1f;树剖之后在AC自动机上跑的时候判断一下不就好了吗!连线段树都不要 让后快乐切掉&#xff0c;速度还可以&…

深度学习之卷积神经网络 VGGNet

2014年&#xff0c;牛津大学计算机视觉组&#xff08;Visual Geometry Group&#xff09;和Google DeepMind公司的研究员一起研发出了新的深度卷积神经网络&#xff1a;VGGNet&#xff0c;并取得了ILSVRC2014比赛分类项目的第二名&#xff08;第一名是GoogLeNet&#xff0c;也是…

SpringMVC 返回json的两种方式

前后台数据交互使用json是一种很重要的方式.本文主要探讨SpringMVC框架使用json传输的技术. 请注意,本文所提到的项目使用Spring 版本是4.1.7,其他版本在具体使用上可能有不一样的情况. 一、最常见——使用RequestBody的注解返回一个实体对象; 使用方式如下: 1:引入jar包&#…

深度学习之卷积神经网络 ResNet

论文 Identity Mappings in Deep Residual Networks 2015年&#xff0c;ResNet&#xff08;Residual Neural Network&#xff09;由微软研究院的Kaiming He等四名华人提出&#xff0c;并在ILSVRC2015比赛中取得冠军&#xff0c;在top5上的错误率为3.57%&#xff0c;同时参数量…

搭建SSM框架之Spring

作为一枚大四准备毕业的学生&#xff0c;最重要的事便是毕业设计&#xff0c;前些日子刚刚拿到毕设题目&#xff1a;“3D网络图&#xff1a;面向网络结构数据的可视化软件设计”&#xff0c;(⊙o⊙)…&#xff0c;怎么说哪&#xff0c;看到题目就是一头雾水&#xff08;前几届不…

单列表_使用Excel中的quot;记录单quot;功能快速录入数据

在Excel中进行数据录入的时候&#xff0c;平常都是一行一行地录入数据&#xff0c;但是有时候在单元格之间&#xff0c;行与行&#xff0c;列与列之间频繁地切换去录入数据&#xff0c;费事费力还容易出错。今天给你推荐一个既好用又有效率的Excel中的隐藏功能——“记录单”。…

CentOS 6.9下的Setup工具(用于管理服务/防火墙/网络配置/验证服务)

说明&#xff1a;Setup工具套件好像是CentOS下特有的用于管理服务/防火墙/网络配置等&#xff0c;其实就是基于命令行模式界面的GUI工具。唯一特点就是方便。 安装&#xff1a; #安装Setup命令工具 yum -y install setuptool #安装Setup工具配套的系统服务组件 yum -y insta…

深度学习之非极大值抑制(Non-maximum suppression,NMS)

非极大值抑制&#xff08;Non-maximum suppression&#xff0c;NMS&#xff09;是一种去除非极大值的算法&#xff0c;常用于计算机视觉中的边缘检测、物体识别等。 算法流程 给出一张图片和上面许多物体检测的候选框&#xff08;即每个框可能都代表某种物体&#xff09;&…

vue项目token放在哪里_关于vue动态菜单的那点事

vue-element-admin4.0国内节点访问地址&#xff1a;https://panjiachen.gitee.io/vue-element-admin-site/zh/本此使用的是https://github.com/PanJiaChen/vue-element-admin/tree/i18n 国际化分支的版本。说是除了国际化其他都一样。本文主要介绍前台动态的使用资源权限。后台…

深度学习之 ROI Pooling

什么是ROI&#xff1f; ROI是 Region of interest 的简写&#xff0c;指的是 Faster R-CNN 结构中&#xff0c;经过 RPN 层后&#xff0c;产生的 proposal 对应的 box 框。 ROI Pooling 顾名思义&#xff0c;是 pooling 层的一种&#xff0c;而且是针对 ROIs 的 pooling。整个…

KD树小结

很久之前我就想过怎么快速在二维平面上查找一个区域的信息&#xff0c;思考许久无果&#xff0c;只能想到几种优秀一点的暴力。 KD树就是干上面那件事的。 别的不多说&#xff0c;赶紧把自己的理解写下来&#xff0c;免得凉了。 KD树的组成 以维护k维空间(x,y,……)内的KD树为例…

深度学习之 RPN(RegionProposal Network)- 区域候选网络

anchor boxes基本概念与作用: feature map 上的一个点可以映射回输入图片上的一个点&#xff0c;以特征图上这个点为中心&#xff0c;预先人为设定 k 个 boxes&#xff0c;这些 boxes 就称为在这个点上生成的 k 个 anchor boxes&#xff08;所有anchor boxes的中心点坐标是一样…

workbench拓扑优化教程_优化技术在水泵水力设计的应用(上篇)

文章来源&#xff1a;安世亚太官方订阅号&#xff08;搜索&#xff1a;Peraglobal&#xff09;CFD技术在泵的内流数值模拟、研究泵内部流动规律和结构方面已广泛应用&#xff0c;取得了很多成果。但是初步设计的产品如果通过CFD仿真得到的性能曲线不能满足使用要求&#xff0c;…