Procesamiento de información en neuronas y circuitos

1. Procesamiento de información en neuronas y circuitos Gonzalo G. de Polavieja Investigador ‘Ramón y Cajal’ Laboratorio de Procesamiento Neuronal, Dept. Física Teórica & Nicolás Cabrera

2. ¿Qué reglas cumplen circuitos sensoriales? Tomado de Llinás (2003)

3. ¿Qué reglas cumplen circuitos sensoriales en Drosophila? • Técnicas: • Genética • Electrofisiología e imagen in vivo • Modelización y análisis • Comportamiento Tomado de Heisenberg (2003)

4. 2 preguntas sobre transmisión de información 1. ¿Cómo influye un circuito de retroalimentación en la transmisión de información visual? 2. ¿Importa la forma de los potenciales de acción en la transmisión de información?

5. Efectos de red en visión Adaptado de Ian Meinertzhagen

6. Electrofisiología intracelular en Drosophila: no es un sueño imposible! Drosophila

7. Indifferent electrode Microelectrode 10 mV 100 ms Peltier temperature control

8. Comparacion de WT y ORT (receptores de histamina postsinapticos no funcionales) ORT-mutant WT

9. Respuesta a pulsos de luz ORT-mutant WT Light pulses Zheng, de Polavieja, Wolfram, Ashaly, Hardie & Juusola (2005, submitted)

11. R 1-6 Si hay feedback en WT... Exc. Inh. Inh. Luz intensa Luz debil LMC

12. R 1-6 ...entonces en ORT-mutant Exc. Exc. Inh. Inh. Luz intensa Luz debil LMC

13. Ventajas del feedback negativo: • Control de la ganancia (baja I sigue dentro del rango de respuesta) • Aumenta la anchura de banda a altas frecuencias (el sistema responde bien a cambios muy rápidos).

14. Voltage responses Ri(t) Voltage Noise Ni(t)=Ri(t)-S(t) 10 mV 1000 ms Average response Signal, S(t) Stimulus Experimentos con repeticiones Juusola & de Polavieja, J. Gen. Physiol. (2004))

15. Señal sobre ruido (SNR)=calidad de señal Frecuencia

16. Señal sobre ruido en WT y ORT Feedback negativo aumenta la calidad de señal a altas frecuencias Zheng, de Polavieja, Wolfram, Ashaly, Hardie & Juusola (2005, submitted)

17. 2. ¿Tiene relevancia la forma del PA? Se asume que los PA son estereotipados

18. Experimentos típicos muestran AP idénticos

19. Excitación natural da PA distintos Harsch & Robinson (2000)

20. La forma del PA influye en la integración de excitación sináptica Dos neuronas (Purkinje vs. Piramidal) con diferentes PA integran de forma distinta los mismos EPSPs Hausser, Major & Stuart, Science (2000) EPSP PA

21. La misma neurona produce diferentes PA cuando se estimula dinámicamente. Estos diferentes PA hacen que haya diferente integración de EPSPs idénticos. ¿Las diferente formas de PA se producen al azar o están correlacionadas con la estimulación que recibe la neurona?

22. Experimentos en rebanadas de cortex

23. Estimulación ‘natural’ con injección de conductancia (dynamic clamp) Inyección de corriente Inyección de conductancia (dynamic clamp)

25. Con estimulación ‘natural’ hay variabilidad en PA de Polavieja, Harsch, Kleppe, Robinson,& Juusola (Journal of Neuroscience, accepted, 2005)

26. Forma del PA se correlaciona con amplitud del estímulo de Polavieja, Harsch, Kleppe, Robinson,& Juusola (Journal of Neuroscience, accepted, 2005)

27. Escala temporal de la codificación < 50ms de Polavieja, Harsch, Kleppe, Robinson,& Juusola (Journal of Neuroscience, accepted, 2005)

28. Formas de PA fiable en experimentos de repetición de Polavieja, Harsch, Kleppe, Robinson,& Juusola (Journal of Neuroscience, accepted, 2005)

29. La fiabilidad en las formas implica alto paso de información del estímulo a las formas de Polavieja, Harsch, Kleppe, Robinson,& Juusola (Journal of Neuroscience, accepted, 2005)

30. Los tiempos de los PA tienen baja correlación con el estímulo de Polavieja, Harsch, Kleppe, Robinson,& Juusola (Journal of Neuroscience, accepted, 2005)

31. Modelo de Polavieja, Harsch, Kleppe, Robinson,& Juusola (Journal of Neuroscience, accepted, 2005)

32. ¿Para que puede servir?

33. Conclusiones: • Electrofisiología en Drosophila • Feedback negativo controla sistema visual • 3. Las formas de potencial de acción, que influyen • en la integración neuronal, dependen de la • estimulación recibida en los 50ms anteriores

34. Otros trabajos en proceso: Códigos minimizando ruido y coste energético Relación dinámica de Ca y variabilidad neuronal Multiplicación con neuronas y detección de movimiento Variabilidad neuronal Conexión neurona con modelos de redes Análisis cuantitativo de comportamiento con imagen

35. AGRADECIMIENTOS DROSOPHILA VISION LAB (Cambridge): Mikko Juusola, Lei Zheng & Verena Wolfram BIOPHYSICS OF SYNAPTIC INTEGRATION LAB (Cambridge): Hugh Robinson, Annette Harsch & Ingo Kleppe LABORATORIO DE PROCESAMIENTO NEURONAL: Sara Arganda & Gabriel González GRUPO DE COMPUTACION BIOLOGICA: Pablo Varona & Francisco de Borja GRUPO DE ESTADISTICA: Raul Guantes Las facturas de la casa: MCyT, equipamiento MCyT y fBBVA y los viajes The Royal Society

36. 2. La multiplicacióm como operación en neuronas

37. Control de mirada por detección de movimiento

38. Modelo de Reichardt obtenido a partir de comportamiento del escarabajo tiempo

39. ¿Cómo se implementa? Pistas: • Comportamiento • como Reichardt 2. Neuronas ganglionares como Barlow-Levick (medula consistente anatónimamente con BL). PROBLEMA: ambiguedad

40. Buscando modelos de Polavieja (2005, submitted)

41. … y aquí estan

42. Como se multiplica? A B AxB B-B.~A

43. Respuesta de modelos a imagen sinusoide

44. Adaptación a la intensidad de luz: • ¿Hay efectos de red? Restricciones en los códigos de Polavieja, J. Theor. Biol (2003)