短時程突觸可塑性(short-term synaptic plasticity)

介紹

神經元的突觸可塑性一般被認為是大腦學習與記憶的分子生物學機制,它是指突觸傳遞效率增強或減弱的變化現象。若這種變化只持續數十毫秒到幾分,便稱之為短時程突觸可塑性,其中效率增強與減弱分別叫做短時程增強(short-term enhancement)與短時程抑制(short-term depressed);而持續數百毫秒的增強又被稱之為短時程易化(? short-term facilitation)

易化與抑制是2種并存的機制,他們的共同作用對神經系統的信息傳遞起到至關重要的作用。因此,研究短時程突觸可塑性具有重要意義。

短期突觸可塑性或短期可塑性與長期可塑性不同。 首先,短期可塑性運行的時間尺度遠小于長期可塑性的時間尺度,可能與網絡動力學的時間尺度相當。 其次,給定突觸的短期可塑性是由傳入尖峰序列(突觸前相關性)中的相關性驅動的,而經典長期塑性是由突觸前和突觸后活性的相關性驅動的; 后者的一個突出的例子是赫伯的學習規則(Hebb,1949; Gerstner&van Hemmen,1993)。

對短期可塑性進行建模是基于這樣的想法:需要某種“資源”來跨越突觸間隙傳遞動作電位(Liley&North,1953; Magleby&Zengel 1975; Abbott等人,1997; Tsodyks&Markram ,1997; Varela等,1997)。 術語“資源”可以解釋為神經遞質的可用量,某種離子濃度梯度或突觸后受體密度或可用性。 我們假設動作電位的每一次傳輸都會影響可用突觸資源的數量,可用資源的數量決定了傳輸的有效性,從而決定了突觸后電位的最大值。

建模短時程抑制

建模短時程抑制。 基于一階反應動力學的簡單模型已經反復證明可以用來定量描述神經肌肉接頭處的短期可塑性(Liley&North,1953; Magleby&Zengel,1975)和皮層突觸(Tsodyks&Markram 1997; Varela 1997)。 Tsodyks和Markram(1997)的模型假設了三種可能的狀態:突觸連接的“資源”:有效,無效和恢復。 只要動作電位到達突觸,恢復的資源的固定部分R首先變為有效,然后不活動,并最終恢復。 在這些狀態之間的轉換通過使用時間常數tinact和trec的一級動力學來描述。 實際的突觸后電流與有效資源量成比例。

在脈沖響應模型的背景下,三態模型可以被簡化,因為突觸后電流的時間過程,正如從有效到無效狀態的轉變所描述的那樣,已經被形式的由響應函數給出的突觸后電位。唯一相關的數量是由單個動作電位提供的電荷確定的PSP的最大(最小)。由有效和無效到恢復狀態的轉換由線性微分方程描述,PSP的最大值僅取決于進入的動作電位實際激活的資源量。因此,我們可以總結有效的兩步恢復資源,最終形成一個有效(Z)和無效image資源的雙態模型。每個進入的動作可能性將瞬時切換活動資源的比例R到非活動狀態,從那里恢復到時間常數為t的活動狀態;見圖1A。從形式上看,

image

其中S(t)= Σfδ(t-tf) 是輸入脈沖序列。 該微分等式被很好地定義,如果我們申明Z(t)是左連續的,即Z(tf):=Z(tf-0)

在單次傳輸中釋放的費用以及PSP的最大費用取決于切換到非活動狀態的資源的數量,或者等同于緊接在傳輸之前的活動資源的數量。 那么t時刻突觸的強度就是Z(t)的函數,我們簡單地把J(t)= J0Z(t)放在其中J0是所有資源處于活動狀態的最大突觸強度。

現在讓我們假設第一個脈沖在t0時刻到達突觸。 緊接在尖峰到達之前,所有資源都處于活動狀態,并且Z(t0)= 1。動作電位將資源的一小部分R切換到非活動狀態,使得Z(t0+0)= 1-R.動作電位的到來,不活躍的資源在t快速恢復,我們有

image

在隨后的脈沖的到達時刻t1,只有Z(t1)資源處于活動狀態,并且PSP相應地抑制(見圖2A和2B)。

image

目前的短期抑制模型(A)和短期促進(B)的示意圖。 隨著短期抑制,每一個進入的動作電位將活動資源Z的比例R切換到非活動狀態image 這被表示為具有時間依賴率R S(t)的一階反應動力學; 這里S是即將到來的脈沖序列。 從非激活狀態,資源隨時間常數t放松到活動狀態。 短期促進的模型通過反轉箭頭的方向而從短期抑郁的模型中出現。 表示無效的資源,通過傳入的脈沖以QS(t)的速率抽取。 活動資源A以速率τ(-1)放松回到非活動狀態。

從前面的幾個例子中,我們可以很容易地讀出一個復發關系,它將緊接在第n個峰值之前的活動資源量與前一個峰值的量關聯起來,

image

順便說一句,我們注意到替代Z(t0)=1,我們可以采用任何想要的初始條件0<t0≤1. 隨后的論點并沒有改變.

循環關系(見等式2.5)是Z(tn)=an+bnZ(tn-1) 的形式,其中image并且 image遞歸替換和簡短計算會產生以下顯式表達式,表示活動資源的數量,

image

image

在短期抑制(A,B)和促進(C,D)的情況下,膜電位(實線)和突觸強度(虛線)作為時間的函數。 在(A)中,在單個傳輸期間僅使用所有可用資源的一小部分R=0.1,使得突觸僅受發送器耗盡的影響。 在(B)中,參數R增加到R=0.9。 這導致了突觸強度的顯著的短期抑制。 A0=0.1,Q=0.2(C)和A0=0.1,Q=0.8(D)的下面兩個圖表說明了短期促進。 對于所有的數字,突觸恢復的時間常數是t=50毫秒,EPSP的上升時間等于5毫秒。 峰值到達0,8,16,。。。 ,56ms,最后在t=100ms。

image

image

短期促進化建模

以類似的方式,我們可以設計一個模型來解釋短期的促進而不是抑制。 為此,我們假設在沒有突觸前尖峰的情況下,活動突觸資源A(t)的分數隨時間常數τ衰減。 每個來料加標從無效資源庫image中招募一定比例Q; 見圖1B。 那么A(t)的動態是

image


image

image


轉載于:https://www.cnblogs.com/yifdu25/p/8144593.html

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/news/453793.shtml
繁體地址,請注明出處:http://hk.pswp.cn/news/453793.shtml
英文地址,請注明出處:http://en.pswp.cn/news/453793.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

windows平臺下vlc編譯

轉自:http://jeremiah.blog.51cto.com/539865/114190Jeremiah剛剛工作幾個月&#xff0c;參與的第一個項目是與視頻監控有關&#xff0c;分配給我的任務就是用開源的vlc做一個自己的播放器。對于開源項目來說&#xff0c;搭建起編譯環境是第一步也是最重要的一步。Jeremiah在歷…

python xgboost安裝_win7 64 python2 xgboost安裝

綜述&#xff1a;安裝Python3 環境下的xgboost 可以通過pip install &#xff0c; 在網址中下載對應版本&#xff1a; http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost 來進行安裝。但Python2在該網址下并沒有相應的包&#xff0c;所以要下載xgboost源代碼 然后編譯。很麻…

深度學習之卷積神經網絡 AlexNet

AlexNet 是 2012年ILSVRC 比賽冠軍&#xff0c;遠超第二名的CNN&#xff0c;比LeNet更深&#xff0c;用多層小卷積疊加來替換單個的大卷積&#xff0c;結構如下圖所示。 ?? 結構 預處理 原始圖片&#xff1a;256?256?3256*256*3256?256?3 圖像處理&#xff1a; 1.隨機…

jstl處理欄目與子欄目_芬頓氧化法廢水處理工程技術規范(征求意見稿)

日前&#xff0c;生態環境部印發《芬頓氧化法廢水處理工程技術規范(征求意見稿)》&#xff0c;詳情如下&#xff1a;各有關單位&#xff1a;為貫徹《中華人民共和國環境保護法》和《中華人民共和國水污染防治法》等法律法規&#xff0c;防治環境污染&#xff0c;改善環境質量&a…

深度學習之卷積神經網絡 ZF Net

ZFNet出自論文《 Visualizing and Understanding Convolutional Networks》&#xff0c;作者Matthew D. Zeiler和Rob Fergus——顯然ZFNet是以兩位作者名字的首字母命名的。ZFNet通常被認為是ILSVRC 2013的冠軍方法&#xff0c;但實際上ZFNet排在第3名&#xff0c;前兩名分別是…

SIP與RTP綜合應用5-RTP解包過程

RTP接收部分比較簡單(不用考慮jitterbuffer等)&#xff0c;先從這里入手。 其實主要就3步&#xff1a; 1 創建一個udp&#xff0c;監聽一個端口&#xff0c;比如5200。 2 收到RTP包&#xff0c;送到解包程序&#xff0c;繼續收第 二個。 3 收齊一幀后&#xff0c;或保存文件&am…

JavaScript eval() 函數,計算某個字符串,并執行其中的的 JavaScript 代碼。

JavaScript eval() 函數&#xff0c;計算某個字符串&#xff0c;并執行其中的的 JavaScript 代碼。 適合用于計算器的計算&#xff0c;等。 例子&#xff1a; eval("x10;y20;document.write(x*y)") document.write(eval("22")) var x10 document.write(eva…

vb整合多個excel表格到一張_[Excel]同一工作簿中多個工作表保存成獨立的表格

一個工作簿中有多個表格&#xff0c;如何將其表格單獨保存成一個獨立的文檔呢&#xff1f;如果表格少&#xff0c;操作如下&#xff1a;選中要導出表格的標簽名--鼠標郵件--移動或復制表格--新建工作簿。當如果表格太多呢&#xff0c;以上方法就太羅嗦了。簡單方法用VBA,步驟如…

sqlserver字符串多行合并為一行

1 --創建測試表2 CREATE TABLE [dbo].[TestRows2Columns](3 [Id] [int] IDENTITY(1,1) NOT NULL,4 [UserName] [nvarchar](50) NULL,5 [Subject] [nvarchar](50) NULL,6 [Source] [numeric](18,0) NULL7 )8 GO9 10 --插入測試數據 11 INSERT INTO [TestRows2C…

OpenCore 的代碼結構

OpenCore的代碼結構 以開源Android 的代碼為例&#xff0c;Open Core 的代碼在Android 代碼的External/Opencore 目錄 中。這個目錄是OpenCore 的根目錄&#xff0c;其中包含的子目錄如下所示&#xff1a; android&#xff1a;這里面是一個上層的庫&#xff0c;它基于PVPlaye…

深度學習之卷積神經網絡 GoogleNet

GoogLeNet Incepetion V1 這是GoogLeNet的最早版本&#xff0c;出現在2014年的《Going deeper with convolutions》。之所以名為“GoogLeNet”而非“GoogleNet”,文章說是為了向早期的LeNet致敬。 深度學習以及神經網絡快速發展&#xff0c;人們不再只關注更給力的硬件、更大…

名詞解釋 算法的有限性_數據結構與算法期中考試卷(含答案)

玉林師范學院期中課程考試試卷(2010——2011學年度第一學期)命題教師&#xff1a;劉恒 命題教師所在系&#xff1a;數計系 課程名稱&#xff1a;數據結構與算法 考試專業&#xff1a;信計 考試年級&#xff1a;09級一、單項選擇題(每題2分&#xff0c;共30分&#xff0c;把正確…

Jzoj4348 打擊目標

又是被水題坑了。。。 一直想不出來看題解說要什么主席樹&#xff0c;于是開始打離線算法 結果打到一半發現要強制在線。。No!!! 發現直接AC自動機似乎可做&#xff1f;樹剖之后在AC自動機上跑的時候判斷一下不就好了嗎!連線段樹都不要 讓后快樂切掉&#xff0c;速度還可以&…

深度學習之卷積神經網絡 VGGNet

2014年&#xff0c;牛津大學計算機視覺組&#xff08;Visual Geometry Group&#xff09;和Google DeepMind公司的研究員一起研發出了新的深度卷積神經網絡&#xff1a;VGGNet&#xff0c;并取得了ILSVRC2014比賽分類項目的第二名&#xff08;第一名是GoogLeNet&#xff0c;也是…

SpringMVC 返回json的兩種方式

前后臺數據交互使用json是一種很重要的方式.本文主要探討SpringMVC框架使用json傳輸的技術. 請注意,本文所提到的項目使用Spring 版本是4.1.7,其他版本在具體使用上可能有不一樣的情況. 一、最常見——使用RequestBody的注解返回一個實體對象; 使用方式如下: 1:引入jar包&#…

word上怎么把圖片拼接到一起_如何用Word把自己插入的兩張圖片合在一起?

例如上面效果的設置方法&#xff1a;1、單擊插入----圖片按鈕&#xff1b;2、彈出插入圖片對話框&#xff0c;按住Ctrl鍵&#xff0c;同時選擇所需要的圖片&#xff1b;3、選中圖片&#xff0c;單擊圖片工具格式----文字環繞----緊密型環繞&#xff1b;4、此時&#xff0c;用鼠…

深度學習之卷積神經網絡 ResNet

論文 Identity Mappings in Deep Residual Networks 2015年&#xff0c;ResNet&#xff08;Residual Neural Network&#xff09;由微軟研究院的Kaiming He等四名華人提出&#xff0c;并在ILSVRC2015比賽中取得冠軍&#xff0c;在top5上的錯誤率為3.57%&#xff0c;同時參數量…

按照RFC3984協議實現H264視頻流媒體 RTSP H264

轉自&#xff1a;http://topic.csdn.net/u/20100104/16/0fd992e8-b0a6-4c2b-85a4-d9513d3b1491.html 相信有不少人和我一樣&#xff0c;希望實現H264格式視頻的流媒體播放。但是對于一個新手來說&#xff0c;往往不知道從何入手。利用百度&#xff0c;GOOGLE等搜索資料真是沙里…

搭建SSM框架之Spring

作為一枚大四準備畢業的學生&#xff0c;最重要的事便是畢業設計&#xff0c;前些日子剛剛拿到畢設題目&#xff1a;“3D網絡圖&#xff1a;面向網絡結構數據的可視化軟件設計”&#xff0c;(⊙o⊙)…&#xff0c;怎么說哪&#xff0c;看到題目就是一頭霧水&#xff08;前幾屆不…

audio unity 加速_淺談Unity中Android、iOS音頻延遲

在Unity上面做音游&#xff0c;當在移動端實機運行起來&#xff0c;會發現&#xff0c;音頻的發出會有一定的延遲&#xff0c;無論是長音效還是短音效&#xff0c;Unity內置的Audio內部使用的是FMOD&#xff0c;有以下手段改善通過設置稍微改善其延遲的問題Edit → Project Set…