Modelos minimales y teoría de la información de poblaciones neuronales

Abstract

El cerebro es un sistema dinámico cuyas variables de estado codifican la información sobre el mundo exterior. Entender cómo las neuronas procesan e integran las señales de entrada requiere entender sus acciones cooperativas, en vez de describir únicamente su actividad como elementos individuales. No obstante, construir una aproximación apropiada de la actividad colectiva en la corteza cerebral resulta una tarea difícil. En particular, se han propuesto modelos de máxima entropía para investigar correlaciones entre pares en poblaciones de neuronas, que han logrado describir efectivamente la actividad de ciertas regiones como la retina. Sin embargo, desviaciones de este modelo indican que las correlaciones de alto orden tienen que ser tenidas en cuenta para lograr un modelado realista en general. En esta Tesis, abordamos esta problemática a partir de dos enfoques particulares. En una primera parte, presentamos un estudio basado en la descomposición de la información transmitida por una población pequeña de neuronas. En el capítulo 3, elaboramos una extensión de la expansión en series para ventanas temporales cortas en el marco previo, para estudiar las contribuciones de los tripletes a la codificación del estímulo. Luego, en el capítulo 4, introducimos los estimadores apropiados para el enfoque desarrollado. En segunda instancia, profundizamos un modelo poblacional sencillo mediante la introducción de correlaciones de alto orden. En el capítulo 5, presentamos esta extensión obteniendo analíticamente la distribución conjunta de disparos poblacional asintótica en este contexto. Luego, en el capítulo 6, estudiamos cómo se relacionan las estadísticas de las señales de entrada comunes al conjunto de neuronas con las de sus patrones de disparo. Finalmente, en el capítulo 7, evaluamos este modelo funcionalmente a medida que consideramos grupos neuronales de distinto tamaño.