Resultados de la simulación de una red

1. Resultados de la simulación de una red

2. // COMPILACION: gccdynamics.c-o xdynamics-lm -Wall -g // EJECUCION: ./xdynamics

3. La dinámica Dinámica del potencial Modelo COBA (ConductanceBAsed) Modelo CUBA (CurrentBAsed) Dinámica de las conductancias (corrientes)

4. Explorando algunas propiedades de la red TP Vogels, LF Abbott - Journal of Neuroscience 25: 10786, 2005

5. TP Vogels, LF Abbott - Journal of Neuroscience 25: 10786, 2005

6. Traza del potencial de membrana de una neurona Vth = -50 mVVrest=Vreset= -60 mV

7. Detalle de la traza anterior dt=0.1 ms

8. Distribución de la media temporal del potencial de membrana en la población

9. Notar que las corrientes excitadoras e inhibidoras presentan un cierto grado de balance

10. Distribución del CV en la población La irregularidad de los disparos es grande debido al balance

11. Notar que el rate de la población está en un régimen estacionario, presentando fluctuaciones alrededor de una media En la simulación no se han realizado “trials”, aquí el promedio se efectúa sobre las neuronas de la población

12. Distribución de la media temporal de la frecuencia de disparo en la población

13. Cálculo del CV Durante la simulación: Dentro del if: if (V[i]>VTh){ Evaluamos: ISI = tRunning - t_previous_spike[i]; // "ISI": ms. "t_previous_spike": el tiempo del spike previo de la neurona i NetISI += ISI; // Para evaluar la media, en toda la red, de las cantidades ISI FirstMoment_ISI[i] += ISI; SecondMoment_ISI[i] += ISI*ISI; //To compute theISI's CV

14. Al final de la simulación: //---------- CV Num_bins_CV_histogram = 30; CVHistogram = calloc(Num_bins_CV_histogram, sizeof(double)); for (i_bin=0; i<Num_bins_CV_histogram; i_bin++) CVHistogram[i_bin] = 0.0; Max = 3.; bin_CV = Max/((double) Num_bins_CV_histogram); meanCV = 0.; failure = 0.; //to count the number of cells that did not produce spikes //those are simply not included in the statistics

15. for (i=0; i<cells; i++){ if(spike_counter[i] > 1){ FirstMoment_ISI[i] /= spike_counter[i]; SecondMoment_ISI[i] /= spike_counter[i]; SD_ISI = pow( (SecondMoment_ISI[i] - FirstMoment_ISI[i]*FirstMoment_ISI[i]), 0.5); CV = SD_ISI/FirstMoment_ISI[i]; meanCV += CV; iHist = (int) (CV/bin_CV); if (iHist >= Num_bins_CV_histogram) iHist= Num_bins_CV_histogram - 1; CVHistogram[iHist] += 1.0; }else{ failure++; } }

16. //---------- CV (normalizacion) norm = 0.0; for (i_bin=0; i_bin<Num_bins_CV_histogram; i_bin++) norm+= CVHistogram[i_bin]; for (i_bin=0; i_bin<Num_bins_CV_histogram; i_bin++) { CVHistogram[i_bin] /= norm; fprintf(CV_histogram_File, "%lf %lf \n", i_bin*bin_CV, CVHistogram[i_bin] ) ; } meanCV /= (double) (cells-failure); fprintf(Output_File, "\n Population mean of the CV = %lf \n", meanCV) ;

17. Similarmente para V, al final de la simulación: //---------- V (solo normalizacion) norm = 0.0; for (i_bin=0; i_bin<Num_bins_V_histogram; i_bin++) norm += VHistogram[i_bin]; for (i_bin=0; i_bin<Num_bins_V_histogram; i_bin++) { VHistogram[i_bin] /= norm; fprintf(V_histogram_File, "%lf %lf \n", Min_V + i_bin*bin_V, VHistogram[i_bin] ); //"bin_V" isalreadygiven in physicalunits (mV) }

18. fin