癫痫的计算模型

来自集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
薄荷讨论 | 贡献2022年5月2日 (一) 14:42的版本 →‎编辑推荐
(差异) ←上一版本 | 最后版本 (差异) | 下一版本→ (差异)
跳到导航 跳到搜索


癫痫的计算模型主要关注描述与癫痫相关的电生理表现,称为癫痫发作。为此,计算神经科学使用微分方程来重现实验记录的信号的时间演变。2008年出版的一本书《癫痫的计算神经科学》,[1]总结了到当年为止的不同工作。从预测信号到理解潜在的机制,使用癫痫的计算模型的目的是多样的。[2]


危机现象(癫痫发作)存在于不同的尺度[3]和不同的生物[4]中,具有一定的动力学特性。我们可以区分不同的方法:现象学模型专注于观察到的动力学,通常将目标减少到几个维度,这有利于从动力学系统理论[5]的角度进行研究,更多的机制模型可以解释癫痫发作背后生物物理学的相互作用。也可以用这些方法来建模并分析大脑不同区域之间的相互作用[6](在这种情况下,网络的概念起着重要作用[7])或发作状态的过渡期[8]。这些大规模的方法的优势在于能够与人类的记录相关联,这是脑电图 electroencephalography(EEG)的功劳。现象学模型为临床研究提供了新的方向,特别是作为治疗难治性癫痫的补充手段。[9][10]


其他方法是利用这些模型,从神经元尺度上利用生物物理学的描述,试图理解这些癫痫发作的机制。[11][12][13][14]这使得我们能够理解体内平衡的作用,理解物理量(例如钾的浓度)和观察到的病理动力学之间的联系。


近年来,这一领域的研究进展迅速,无论是在难治性癫痫的直接临床应用,还是指导实验工作的基础研究,对我们理解和治疗癫痫都具有重要意义。


参考文献

  1. Computational neuroscience in epilepsy. Ivan Soltesz, Kevin Staley (1st ed.). Amsterdam: Academic. 2008. ISBN 978-0-12-373649-9. OCLC 281558250.
  2. Lytton, William W. (August 2008). "Computer modelling of epilepsy". Nature Reviews Neuroscience. 9 (8): 626–637. doi:10.1038/nrn2416. ISSN 1471-0048. PMC 2739976. PMID 18594562.
  3. Depannemaecker, Damien; Destexhe, Alain; Jirsa, Viktor; Bernard, Christophe (2021-02-22). "Modeling Seizures: From Single Neurons to Networks".doi:10.20944/preprints202102.0478.v1.
  4. Jirsa, Viktor K.; Stacey, William C.; Quilichini, Pascale P.; Ivanov, Anton I.; Bernard, Christophe (2014-06-10). "On the nature of seizure dynamics". Brain. 137 (8): 2210–2230. doi:10.1093/brain/awu133. ISSN 1460-2156. PMC 4107736. PMID 24919973.
  5. Saggio, Maria Luisa; Spiegler, Andreas; Bernard, Christophe; Jirsa, Viktor K. (2017-07-25). "Fast–Slow Bursters in the Unfolding of a High Codimension Singularity and the Ultra-slow Transitions of Classes". The Journal of Mathematical Neuroscience. 7 (1): 7. doi:10.1186/s13408-017-0050-8. ISSN 2190-8567. PMC 5526832. PMID 28744735.
  6. Breakspear, M.; Roberts, J. A.; Terry, J. R.; Rodrigues, S.; Mahant, N.; Robinson, P. A. (2005-11-09). "A Unifying Explanation of Primary Generalized Seizures Through Nonlinear Brain Modeling and Bifurcation Analysis". Cerebral Cortex. 16 (9): 1296–1313. doi:10.1093/cercor/bhj072. ISSN 1460-2199. PMID 16280462.
  7. Terry, John R.; Benjamin, Oscar; Richardson, Mark P. (2012). "Seizure generation: The role of nodes and networks". Epilepsia. 53 (9): e166–e169. doi:10.1111/j.1528-1167.2012.03560.x. ISSN 1528-1167. PMID 22709380. S2CID 25085531.
  8. Wendling, Fabrice; Hernandez, Alfredo; Bellanger, Jean-Jacques; Chauvel, Patrick; Bartolomei, Fabrice (October 2005). "Interictal to ictal transition in human temporal lobe epilepsy: insights from a computational model of intracerebral EEG". Journal of Clinical Neurophysiology. 22 (5): 343–356.
  9. Jirsa, V.K.; Proix, T.; Perdikis, D.; Woodman, M.M.; Wang, H.; Gonzalez-Martinez, J.; Bernard, C.; Bénar, C.; Guye, M.; Chauvel, P.; Bartolomei, F. (2017-01-15). "The Virtual Epileptic Patient: Individualized whole-brain models of epilepsy spread". NeuroImage. 145 (Pt B): 377–388. doi:10.1016/j.neuroimage.2016.04.049. ISSN 1053-8119. PMID 27477535. S2CID 36510741.
  10. Khambhati, Ankit N.; Davis, Kathryn A.; Lucas, Timothy H.; Litt, Brian; Bassett, Danielle S. (September 2016). "Virtual Cortical Resection Reveals Push-Pull Network Control Preceding Seizure Evolution". Neuron. 91 (5): 1170–1182. doi:10.1016/j.neuron.2016.07.039. PMC 5017915. PMID 27568515.
  11. Depannemaecker, Damien; Ivanov, Anton; Lillo, Davide; Spek, Len; Bernard, Christophe; Jirsa, Viktor (2020-10-23). "A unified physiological framework of transitions between seizures, sustained ictal activity and depolarization block at the single neuron level". bioRxiv 10.1101/2020.10.23.352021.
  12. Cressman, John R.; Ullah, Ghanim; Ziburkus, Jokubas; Schiff, Steven J.; Barreto, Ernest (April 2009). "The influence of sodium and potassium dynamics on excitability, seizures, and the stability of persistent states: I. Single neuron dynamics". Journal of Computational Neuroscience. 26 (2): 159–170. doi:10.1007/s10827-008-0132-4. ISSN 0929-5313. PMC 2704057. PMID 19169801.
  13. Destexhe, A.; Bal, T.; McCormick, D. A.; Sejnowski, T. J. (1996-09-01). "Ionic mechanisms underlying synchronized oscillations and propagating waves in a model of ferret thalamic slices". Journal of Neurophysiology. 76 (3): 2049–2070. doi:10.1152/jn.1996.76.3.2049. ISSN 0022-3077.
  14. Almeida, Antônio-Carlos G. De; Rodrigues, Antônio M.; Scorza, Fúlvio A.; Cavalheiro, Esper A.; Teixeira, Hewerson Z.; Duarte, Mário A.; Silveira, Gilcélio A.; Arruda, Emerson Z. (2008). "Mechanistic hypotheses for nonsynaptic epileptiform activity induction and its transition from the interictal to ictal state—Computational simulation". Epilepsia. 49 (11): 1908–1924. doi:10.1111/j.1528-1167.2008.01686.x. ISSN 1528-1167. PMID 18513350. S2CID 12024463.


编辑推荐

集智课程

王大辉:计算神经科学

计算神经科学是使用数学分析和计算机模拟的方法在不同水平上对神经系统进行模拟和研究:从神经元的真实生物物理模型,它们的动态交互关系以及神经网络的学习, 到脑的组织和神经类型计算的量化理论等,从计算角度理解脑,研究非程序的、 适应性的、大脑风格的信息处理的本质和能力,探索新型的信息处理机理和途径, 从而创造脑。它的发展将对智能科学、信息科学、认知科学、神经科学等产生重要影响。

该课程中,王大辉老师将讲解计算神经科学的基本内容和所做的实际研究。


神经动力学模型读书会

人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统。自神经科学这一学科建立以来,从解析神经元之间的相互作用机理、到刻画皮层柱之间的连接形式、再到探究脑区间不同认知功能的分离与整合模式,无数科学家试图从不同尺度研究大脑,以期揭示人脑这一最为复杂的神经系统的工作模式,进而理解语言、情绪、记忆和社会交往等高级认知活动的底层神经机制,并一定程度上启发通用人工智能机器人的设计。

近年来,脱胎于系统科学的动力学建模方法,逐渐被广泛地应用于神经科学研究中,其作为一种绝佳的数理工具,愈发地受到研究人员的重视,在类脑计算、脑认知原理解析和脑重大疾病致病机理探索等具体方面,发挥着不可替代的作用。

本着促进神经科学、系统科学以及计算机科学等不同领域的学术工作者的交流与合作,激发有志于加入脑科学与类脑研究这一领域的同学们的研究兴趣,来自国内外多所知名高校的专家学者(详见发起人介绍)共同发起了「神经动力学模型」读书会,聚焦于神经科学中的动力学建模这一前沿课题,讨论他们在研究一线中遇到的实际困惑,对相关文献进行深入梳理、激发跨学科的学术火花。



本中文词条由懿章翻译,薄荷编辑,如有问题,欢迎在讨论页面留言。


本词条内容源自wikipedia及公开资料,遵守 CC3.0协议。