CA1 pyramidal neuron: calculation of MRI signals (Cassara et al. 2008)

 Download zip file   Auto-launch 
Help downloading and running models
Accession:106551
NEURON mod files from the paper: Cassarà AM, Hagberg GE, Bianciardi M, Migliore M, Maraviglia B. Realistic simulations of neuronal activity: A contribution to the debate on direct detection of neuronal currents by MRI. Neuroimage. 39:87-106 (2008). In this paper, we use a detailed calculation of the magnetic field produced by the neuronal currents propagating over a hippocampal CA1 pyramidal neuron placed inside a cubic MR voxel of length 1.2 mm to estimate the Magnetic Resonance signal.
References:
1 . Cassarà AM, Hagberg GE, Bianciardi M, Migliore M, Maraviglia B (2008) Realistic simulations of neuronal activity: a contribution to the debate on direct detection of neuronal currents by MRI. Neuroimage 39:87-106 [PubMed]
2 . Cassara AM, Maraviglia B (2008) Microscopic investigation the resonant mechanism for the implementation of nc-MRI at Ultra-Low Field NeuroImage 41(4):1228-41
Model Information (Click on a link to find other models with that property)
Model Type: Neuron or other electrically excitable cell;
Brain Region(s)/Organism:
Cell Type(s): Hippocampus CA1 pyramidal cell;
Channel(s): I Na,t; I A; I K; I h;
Gap Junctions:
Receptor(s): AMPA;
Gene(s):
Transmitter(s): Glutamate;
Simulation Environment: NEURON;
Model Concept(s): Active Dendrites; Detailed Neuronal Models; Extracellular Fields;
Implementer(s):
Search NeuronDB for information about:  Hippocampus CA1 pyramidal cell; AMPA; I Na,t; I A; I K; I h; Glutamate;
/
nc-mri
readme.txt
distr.mod *
h.mod *
kadist.mod *
kaprox.mod *
kdrca1.mod *
na3n.mod *
naxn.mod *
netstims.mod *
geoc8076.hoc *
mosinit.hoc
Neuron1.hoc
synapses.hoc
                            
//******************************************************************** 
// INTRODUZIONE SINAPSI
//******************************************************************** 

n_sin=33
objref s[n_sin], rsyn[n_sin], nc[n_sin], r[n_sin], rr[n_sin]
double rel[n_sin],ind[n_sin]

            // (rel) sono le posizioni all' interno della sottosezione
//rel=0.33	// alla quale viene applicata la sinapsi. Esse variano dalla
//rel1=rel	// coordinata x =[0,1], dove 0 è la coordinata più 
//rel2=rel	// al soma.
           // Per l'articolo solo rel tutti uguali, con rel=0.33

//*****************************************************
//Opzione per il random posizionamento delle sinapsi
//all'interno di, scelti ma anch'essi random, rami
//dendritico

r = new Random(23453262255) 
rel[0]=r.uniform(0.05, 0.6) 
for i=1,n_sin-1 {
rel[i]=r.repick()
}

//**************************************************
//Scelta casuale dei dendriti

 //,ind[n_sin]
rr = new Random(456884557) 
ind[0]=int(rr.uniform(1,numapical+1))
for i=1,n_sin-1 {
ind[i]=rr.repick()
  for j=0,i-1 {
  if (ind[i]=ind[j]) ind[i]=int(rr.repick())
}
print i,ind[i],rel[i] 
}

//*****************************************************


peso=3.e-3	  //n-siemens

//******** USO DELLE SINAPSI *******************************
//s = new NetStim(x)
//s.interval ms (mean) time between spikes
//s.number (average) number of spikes
//s.start ms (most likely) start time of first spike
//s.noise ---- range 0 to 1. Fractional randomness.
//             0 deterministic,1 intervals have negexp distribution.
//**********************************************************
//syn = new Exp2Syn(x)
//syn.tau1 --- ms rise time
//syn.tau2 --- ms decay time
//syn.e -- mV reversal potential
//syn.i -- nA synaptic current
//**********************************************************
// i = G * (v - e)      i(nanoamps), g(micromhos);
// G = weight * factor * (exp(-t/tau2) - exp(-t/tau1))
//**********************************************************
//netcon = new NetCon(source,target,threshold,delay,weight)
//SPIEGAZIONE: When the source variable passes threshold in 
//             the positive direction at time t-delay, 
//             the target will receive an event at time t 
//             along with weight information.
//*************************************************************
//Meccanismo con cui varia il potenziale nel punto di applicazione
//della sinapsi.
//-------------------------------------------------------------
//Conoscendo l' impedenza di ingresso K_ii(t) del sistema, tramite
//convoluzione Š possibile ricavare la variazione del potenziale.
//La sinapsi infatti Š una sorgente di corrente dipendente dal
//tempo grazie alla conducibilit… dipendente dal tempo, e dal
//potenziale di membrana che anch' esso varia. Una volta conosciuto
//la variazione di potenziale nel sito postsinaptico i, (il che
//richiede la soluzione numerica di una equazione integrale di Volterra)
//Š possibile ricavare il potenziale di membrana nel sito j, tramite
//un' altra equazione integrale di convoluzione. Vedi "Bioph. of comput."
//pagg. 106-107.

//Questo modello di sinapsi va bene per l' AMPA, che non mostra
//dipendenza dal potenziale di membrana. Per modellizzare NMDA
//sinapsi,va scelto un modello che tenga conto della concentrazione
//ionica (che dipende dal potenziale di membrana).
//*************************************************************

//objref rr
//rr = new Random(num+10) 
//print rr.uniform(-1,1)

for i=0, n_sin-1 {
            s[i] = new NetStims(rel[i])
		s[i].interval=2
		s[i].number = 1e9
		s[i].start=0.
		s[i].noise=1
		s[i].seed(987651119)
		                        		
 apical_dendrite[i+1] {
		rsyn[i] = new Exp2Syn(rel[i])
		rsyn[i].tau1 = 0.4		// AMPA	(Voltage indipendent Channel)
		rsyn[i].tau2 = 1		// recettore del glutammato.
		rsyn.e=0				// Questo permette il passaggio di ioni Na e K
		nc[i] = new NetCon(s[i],rsyn[i],0,0,peso)
    }
	
}

//************************************************************************************************
// Il processo di trasmissione sinaptica è di natura statistica ed assoggettata ad una probabilità 
// di rilascio di neurotrasmettitori. La probabilità di rilascio sinaptica p è essa stessa soggetta
// a variazioni dipendenti dalla storia recente del terminale presinaptico. P può descrescere,
// come nel caso della depressione a lungo temine, o aumentare come accade nel potenziamento.  
// IL NetStim DETERMINA LE CARATTERISTICHE DELLA TERMINAZIONE PRESINAPTICA, MENTRE IL rsyn CONNETTE
// LA TERMINAZIONE PRESINAPTICA AL NEURONE. CON NetCon LA SYNAPSI è CREATA.
//************************************************************************************************

	                        		
//   soma  {
//	   rsyn[1] = new IClamp(rel)
//       rsyn[1].del= 1 //ms
//     rsyn[1].dur= 8 //ms
//   rsyn[1].amp= 2 //nA
// i= 0.2 //nA
//    }


//Il problema dell' efficacia dell'azione eccitatoria in funzione della
// distribuzione spaziale delle sinapsi è stata investigata da MEL(1992).
// AMPA e non-NMDA sinapsi mostrano sturazione sinaptica, e l'addensamento
// diminuisce l'efficacia del sistema. Ciò invece non è vero per sinapsi
// NMDA per le quali si osserva invece il fenomeno opposto.
//  		



Loading data, please wait...