Numerical solution of inverse problems in computational neuroscience models
Ano de defesa: | 2019 |
---|---|
Autor(a) principal: | |
Orientador(a): | , |
Banca de defesa: | , , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | eng |
Instituição de defesa: |
Laboratório Nacional de Computação Científica
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Modelagem Computacional
|
Departamento: |
Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA)
|
País: |
Brasil
|
Palavras-chave em Português: | |
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://tede.lncc.br/handle/tede/303 |
Resumo: | Nesta tese, estudamos três modelos matemáticos em neurociência computacional. Um modelo matemático para a iniciação e propagação de um potencial de ação em um neurônio foi nomeado após seus criadores em 1952. Desde então, o modelo Hodgkin-Huxley (H-H), ou modelo baseado em condutância, tem sido amplamente usado no mundo da fisiologia. Um sistema de quatro equações diferenciais ordinárias não-lineares acopladas, como o modelo H-H, é geralmente difícil de analisar. Nesse contexto, alguns novos modelos desenvolvidos parecem satisfatoriamente reduzi-lo de quatro para três ou duas equações diferenciais. Um dos modelos reduzidos, com um sistema de duas equações diferenciais ordinárias não-lineares acopladas, é o modelo FitzHugh-Nagumo (F-N). Por outro lado, na matemática, é mais fácil trabalhar com equações diferenciais lineares do que com equações não lineares (modelos H-H e F-N). Por essa razão, iniciamos nossa pesquisa com a equação de cabo, uma equação diferencial parcial linear que descreve a voltagem em um cabo cilíndrico reto. Este modelo foi aplicado para modelar o potencial elétrico em dendritos e axônios. No entanto, às vezes, essa equação pode resultar em previsões incorretas para algumas geometrias realistas, especialmente quando o raio do cabo muda significativamente. O principal objetivo deste trabalho foi, então, estimar parâmetros nos modelos mencionados anteriormente, dada a medição do potencial de membrana (problemas inversos). Para resolver os problemas inversos, consideramos os métodos de regularização iterativos, como o método de Landweber e o método de erro mínimo. Calculamos a adjunta da derivada de Gâteaux usando diferentes abordagens para cada um dos nossos problemas. Além disso, implementamos numericamente os métodos para mostrar sua eficiência, usando os métodos numéricos Euler explícito e Euler implícito. Em seguida, descrevemos nossos problemas inversos. Na equação de cabo, determinamos condutâncias aproximadas com distribuição não uniforme, tanto em uma única ramificação quanto em uma árvore. Para obter os parâmetros desconhecidos na equação de cabo, usamos a iteração Landweber. Aplicamos o método de erro mínimo para encontrar uma função desconhecida aproximada no modelo FitzHugh-Nagumo. No modelo de Hodgkin- Huxley, estimamos as condutâncias máximas (três constantes), o número de partículas de ativação e inativação nos canais iônicos (três constantes) e também os parâmetros com distribuição não uniforme. Usamos o método do erro mínimo novamente, na equação H-H, para aproximar os parâmetros desconhecidos. |
id |
LNCC_01d12976e6c939cd454297a137f5286b |
---|---|
oai_identifier_str |
oai:tede-server.lncc.br:tede/303 |
network_acronym_str |
LNCC |
network_name_str |
Biblioteca Digital de Teses e Dissertações do LNCC |
repository_id_str |
|
spelling |
Madureira, Alexandre LoureiroLeitão, Antonio Carlos GardelMadureira, Alexandre LoureiroSilva, Antonio Carlos Roque daNovotny, Antônio AndréWedemann, Roseli Suzihttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4868382Z9Mandujano Valle, Jemy Alex2023-02-28T17:16:18Z2019-06-25MANDUJANO VALLE, J. A. Numerical solution of inverse problems in computational neuroscience models. 2019. 185 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2019.https://tede.lncc.br/handle/tede/303Nesta tese, estudamos três modelos matemáticos em neurociência computacional. Um modelo matemático para a iniciação e propagação de um potencial de ação em um neurônio foi nomeado após seus criadores em 1952. Desde então, o modelo Hodgkin-Huxley (H-H), ou modelo baseado em condutância, tem sido amplamente usado no mundo da fisiologia. Um sistema de quatro equações diferenciais ordinárias não-lineares acopladas, como o modelo H-H, é geralmente difícil de analisar. Nesse contexto, alguns novos modelos desenvolvidos parecem satisfatoriamente reduzi-lo de quatro para três ou duas equações diferenciais. Um dos modelos reduzidos, com um sistema de duas equações diferenciais ordinárias não-lineares acopladas, é o modelo FitzHugh-Nagumo (F-N). Por outro lado, na matemática, é mais fácil trabalhar com equações diferenciais lineares do que com equações não lineares (modelos H-H e F-N). Por essa razão, iniciamos nossa pesquisa com a equação de cabo, uma equação diferencial parcial linear que descreve a voltagem em um cabo cilíndrico reto. Este modelo foi aplicado para modelar o potencial elétrico em dendritos e axônios. No entanto, às vezes, essa equação pode resultar em previsões incorretas para algumas geometrias realistas, especialmente quando o raio do cabo muda significativamente. O principal objetivo deste trabalho foi, então, estimar parâmetros nos modelos mencionados anteriormente, dada a medição do potencial de membrana (problemas inversos). Para resolver os problemas inversos, consideramos os métodos de regularização iterativos, como o método de Landweber e o método de erro mínimo. Calculamos a adjunta da derivada de Gâteaux usando diferentes abordagens para cada um dos nossos problemas. Além disso, implementamos numericamente os métodos para mostrar sua eficiência, usando os métodos numéricos Euler explícito e Euler implícito. Em seguida, descrevemos nossos problemas inversos. Na equação de cabo, determinamos condutâncias aproximadas com distribuição não uniforme, tanto em uma única ramificação quanto em uma árvore. Para obter os parâmetros desconhecidos na equação de cabo, usamos a iteração Landweber. Aplicamos o método de erro mínimo para encontrar uma função desconhecida aproximada no modelo FitzHugh-Nagumo. No modelo de Hodgkin- Huxley, estimamos as condutâncias máximas (três constantes), o número de partículas de ativação e inativação nos canais iônicos (três constantes) e também os parâmetros com distribuição não uniforme. Usamos o método do erro mínimo novamente, na equação H-H, para aproximar os parâmetros desconhecidos.In this thesis, we studied three mathematical models in computational neuroscience. A mathematical model for the initiation and propagation of an action potential in a neuron was named after its creators in 1952. Since then, the Hodgkin-Huxley (H-H) model, or conductance-based model, has been used vastly in the world of physiology. A system of four coupled nonlinear ordinary differential equations, such as the H-H model is usually difficult to analyze. In this context, some new models developed appear to satisfactorily reduce it from four to three or two differential equations. One of the reduced models, with a system of two coupled nonlinear ordinary differential equations, is the FitzHugh–Nagumo (F-N) model. On the other hand, in mathematics, it is easier to work with linear differential equations than with nonlinear equations (H-H and F-N models). For this reason, we begin our research with the cable equation, one linear partial differential equation that describes the voltage in a straight cylindrical cable. This model has been applied to model the electrical potential in dendrites and axons. However, sometimes this equation might result in incorrect predictions for some realistic geometries, in particular when the radius of the cable changes significantly. The main goal of this work was then to estimate parameters in the previously mentioned models, given the membrane potential measurement (inverse problems). To solve the inverse problems we consider iterative regularization methods, as the Landweber and the minimal error methods. We compute the adjoint of the Gateaux derivative using different approaches for each one of our problems. Also, we numerically implement the methods in order to show their efficiency, using the forward Euler and backward Euler numerical methods. Next, we describe our inverse problems. In the cable equation, we determine approximate conductances with non-uniform distribution, both in a single branch and in a tree. To obtain the unknown parameters in the cable equation we used the Landweber iteration. We apply the minimal error method to find an approximate unknown function in the FitzHugh- Nagumo model. In the Hodgkin-Huxley model, we estimate the maximal conductances (three constants), the number of activation and inactivation particles in the ion channels (three constants), and also parameters with non-uniform distribution. We use the minimal error method again, in the H-H equation, to approximate the unknown parameters.Submitted by Parícia Vieira Silva (library@lncc.br) on 2023-02-28T17:10:07Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Jemy Alex Valle_Tese2019.pdf: 8153329 bytes, checksum: 36ce809bcef6b8a4bdb51aede99fc2b6 (MD5)Approved for entry into archive by Parícia Vieira Silva (library@lncc.br) on 2023-02-28T17:11:27Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Jemy Alex Valle_Tese2019.pdf: 8153329 bytes, checksum: 36ce809bcef6b8a4bdb51aede99fc2b6 (MD5)Made available in DSpace on 2023-02-28T17:16:18Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Jemy Alex Valle_Tese2019.pdf: 8153329 bytes, checksum: 36ce809bcef6b8a4bdb51aede99fc2b6 (MD5) Previous issue date: 2019-06-25Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorapplication/pdfhttp://tede-server.lncc.br:8080/retrieve/1127/Jemy%20Alex%20Valle_Tese2019.pdf.jpgengLaboratório Nacional de Computação CientíficaPrograma de Pós-Graduação em Modelagem ComputacionalLNCCBrasilCoordenação de Pós-Graduação e Aperfeiçoamento (COPGA)http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessModelos matemáticosNeurociência computacionalDiferenças finitasCable EquationInverse ProblemCNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISENumerical solution of inverse problems in computational neuroscience modelsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Biblioteca Digital de Teses e Dissertações do LNCCinstname:Laboratório Nacional de Computação Científica (LNCC)instacron:LNCCLICENSElicense.txtlicense.txttext/plain; charset=utf-82165http://tede-server.lncc.br:8080/tede/bitstream/tede/303/1/license.txtbd3efa91386c1718a7f26a329fdcb468MD51CC-LICENSElicense_urllicense_urltext/plain; charset=utf-849http://tede-server.lncc.br:8080/tede/bitstream/tede/303/2/license_url4afdbb8c545fd630ea7db775da747b2fMD52license_textlicense_texttext/html; charset=utf-80http://tede-server.lncc.br:8080/tede/bitstream/tede/303/3/license_textd41d8cd98f00b204e9800998ecf8427eMD53license_rdflicense_rdfapplication/rdf+xml; charset=utf-80http://tede-server.lncc.br:8080/tede/bitstream/tede/303/4/license_rdfd41d8cd98f00b204e9800998ecf8427eMD54ORIGINALJemy Alex Valle_Tese2019.pdfJemy Alex Valle_Tese2019.pdfapplication/pdf8153329http://tede-server.lncc.br:8080/tede/bitstream/tede/303/5/Jemy+Alex+Valle_Tese2019.pdf36ce809bcef6b8a4bdb51aede99fc2b6MD55TEXTJemy Alex Valle_Tese2019.pdf.txtJemy Alex Valle_Tese2019.pdf.txttext/plain331801http://tede-server.lncc.br:8080/tede/bitstream/tede/303/6/Jemy+Alex+Valle_Tese2019.pdf.txt4c65f84241b0707f8b08c9caa5300fe4MD56THUMBNAILJemy Alex Valle_Tese2019.pdf.jpgJemy Alex Valle_Tese2019.pdf.jpgimage/jpeg3284http://tede-server.lncc.br:8080/tede/bitstream/tede/303/7/Jemy+Alex+Valle_Tese2019.pdf.jpgb8c9fee6d31d847509bc39d0f05b0e4aMD57tede/3032023-03-01 01:44:19.662oai:tede-server.lncc.br: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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.lncc.br/PUBhttps://tede.lncc.br/oai/requestlibrary@lncc.br||library@lncc.bropendoar:2023-03-01T04:44:19Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC)false |
dc.title.por.fl_str_mv |
Numerical solution of inverse problems in computational neuroscience models |
title |
Numerical solution of inverse problems in computational neuroscience models |
spellingShingle |
Numerical solution of inverse problems in computational neuroscience models Mandujano Valle, Jemy Alex Modelos matemáticos Neurociência computacional Diferenças finitas Cable Equation Inverse Problem CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE |
title_short |
Numerical solution of inverse problems in computational neuroscience models |
title_full |
Numerical solution of inverse problems in computational neuroscience models |
title_fullStr |
Numerical solution of inverse problems in computational neuroscience models |
title_full_unstemmed |
Numerical solution of inverse problems in computational neuroscience models |
title_sort |
Numerical solution of inverse problems in computational neuroscience models |
author |
Mandujano Valle, Jemy Alex |
author_facet |
Mandujano Valle, Jemy Alex |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Madureira, Alexandre Loureiro |
dc.contributor.advisor2.fl_str_mv |
Leitão, Antonio Carlos Gardel |
dc.contributor.referee1.fl_str_mv |
Madureira, Alexandre Loureiro |
dc.contributor.referee2.fl_str_mv |
Silva, Antonio Carlos Roque da |
dc.contributor.referee3.fl_str_mv |
Novotny, Antônio André |
dc.contributor.referee4.fl_str_mv |
Wedemann, Roseli Suzi |
dc.contributor.authorLattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4868382Z9 |
dc.contributor.author.fl_str_mv |
Mandujano Valle, Jemy Alex |
contributor_str_mv |
Madureira, Alexandre Loureiro Leitão, Antonio Carlos Gardel Madureira, Alexandre Loureiro Silva, Antonio Carlos Roque da Novotny, Antônio André Wedemann, Roseli Suzi |
dc.subject.por.fl_str_mv |
Modelos matemáticos Neurociência computacional Diferenças finitas |
topic |
Modelos matemáticos Neurociência computacional Diferenças finitas Cable Equation Inverse Problem CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE |
dc.subject.eng.fl_str_mv |
Cable Equation Inverse Problem |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::ANALISE |
description |
Nesta tese, estudamos três modelos matemáticos em neurociência computacional. Um modelo matemático para a iniciação e propagação de um potencial de ação em um neurônio foi nomeado após seus criadores em 1952. Desde então, o modelo Hodgkin-Huxley (H-H), ou modelo baseado em condutância, tem sido amplamente usado no mundo da fisiologia. Um sistema de quatro equações diferenciais ordinárias não-lineares acopladas, como o modelo H-H, é geralmente difícil de analisar. Nesse contexto, alguns novos modelos desenvolvidos parecem satisfatoriamente reduzi-lo de quatro para três ou duas equações diferenciais. Um dos modelos reduzidos, com um sistema de duas equações diferenciais ordinárias não-lineares acopladas, é o modelo FitzHugh-Nagumo (F-N). Por outro lado, na matemática, é mais fácil trabalhar com equações diferenciais lineares do que com equações não lineares (modelos H-H e F-N). Por essa razão, iniciamos nossa pesquisa com a equação de cabo, uma equação diferencial parcial linear que descreve a voltagem em um cabo cilíndrico reto. Este modelo foi aplicado para modelar o potencial elétrico em dendritos e axônios. No entanto, às vezes, essa equação pode resultar em previsões incorretas para algumas geometrias realistas, especialmente quando o raio do cabo muda significativamente. O principal objetivo deste trabalho foi, então, estimar parâmetros nos modelos mencionados anteriormente, dada a medição do potencial de membrana (problemas inversos). Para resolver os problemas inversos, consideramos os métodos de regularização iterativos, como o método de Landweber e o método de erro mínimo. Calculamos a adjunta da derivada de Gâteaux usando diferentes abordagens para cada um dos nossos problemas. Além disso, implementamos numericamente os métodos para mostrar sua eficiência, usando os métodos numéricos Euler explícito e Euler implícito. Em seguida, descrevemos nossos problemas inversos. Na equação de cabo, determinamos condutâncias aproximadas com distribuição não uniforme, tanto em uma única ramificação quanto em uma árvore. Para obter os parâmetros desconhecidos na equação de cabo, usamos a iteração Landweber. Aplicamos o método de erro mínimo para encontrar uma função desconhecida aproximada no modelo FitzHugh-Nagumo. No modelo de Hodgkin- Huxley, estimamos as condutâncias máximas (três constantes), o número de partículas de ativação e inativação nos canais iônicos (três constantes) e também os parâmetros com distribuição não uniforme. Usamos o método do erro mínimo novamente, na equação H-H, para aproximar os parâmetros desconhecidos. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-06-25 |
dc.date.accessioned.fl_str_mv |
2023-02-28T17:16:18Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
MANDUJANO VALLE, J. A. Numerical solution of inverse problems in computational neuroscience models. 2019. 185 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2019. |
dc.identifier.uri.fl_str_mv |
https://tede.lncc.br/handle/tede/303 |
identifier_str_mv |
MANDUJANO VALLE, J. A. Numerical solution of inverse problems in computational neuroscience models. 2019. 185 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2019. |
url |
https://tede.lncc.br/handle/tede/303 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Laboratório Nacional de Computação Científica |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Modelagem Computacional |
dc.publisher.initials.fl_str_mv |
LNCC |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA) |
publisher.none.fl_str_mv |
Laboratório Nacional de Computação Científica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do LNCC instname:Laboratório Nacional de Computação Científica (LNCC) instacron:LNCC |
instname_str |
Laboratório Nacional de Computação Científica (LNCC) |
instacron_str |
LNCC |
institution |
LNCC |
reponame_str |
Biblioteca Digital de Teses e Dissertações do LNCC |
collection |
Biblioteca Digital de Teses e Dissertações do LNCC |
bitstream.url.fl_str_mv |
http://tede-server.lncc.br:8080/tede/bitstream/tede/303/1/license.txt http://tede-server.lncc.br:8080/tede/bitstream/tede/303/2/license_url http://tede-server.lncc.br:8080/tede/bitstream/tede/303/3/license_text http://tede-server.lncc.br:8080/tede/bitstream/tede/303/4/license_rdf http://tede-server.lncc.br:8080/tede/bitstream/tede/303/5/Jemy+Alex+Valle_Tese2019.pdf http://tede-server.lncc.br:8080/tede/bitstream/tede/303/6/Jemy+Alex+Valle_Tese2019.pdf.txt http://tede-server.lncc.br:8080/tede/bitstream/tede/303/7/Jemy+Alex+Valle_Tese2019.pdf.jpg |
bitstream.checksum.fl_str_mv |
bd3efa91386c1718a7f26a329fdcb468 4afdbb8c545fd630ea7db775da747b2f d41d8cd98f00b204e9800998ecf8427e d41d8cd98f00b204e9800998ecf8427e 36ce809bcef6b8a4bdb51aede99fc2b6 4c65f84241b0707f8b08c9caa5300fe4 b8c9fee6d31d847509bc39d0f05b0e4a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC) |
repository.mail.fl_str_mv |
library@lncc.br||library@lncc.br |
_version_ |
1790266130619695104 |