//******************************************************************** // 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. //