Klasa NetCon (rozdzial 10 The NEURON book)
Skladnia:
section netcon = new NetCon(&v(x), target, thresh, del, wt)
Target musi byc procesem punktowym zawierajacym blok NET_RECEIVE Threshold, delay i weight sa opcjonalne; wartosci domyslne:
netcon.threshold = 10 // mV netcon.delay = 1 // ms netcon.weight = 0 // uS
Objekt klasy NetCon definiuje polaczenie synaptyczne pomiedzy komorka pre- i postsynaptyczna.
NetCon posiada threshold, delay i weight.
Gdy zmienna presynaptyczna (V) przekroczy threshold kierunku dodatnim w czasie t, po czasie t+delay wywolywana jest procedura NET_RECEIVE w neuronie postsynaptycznym i dostaje
informacje o wartosci weight.
Synapsa z eksponencjalnym zanikiem
: expsyn1.mod NEURON {
POINT_PROCESS ExpSyn1 RANGE tau, e, i
NONSPECIFIC_CURRENT i }
PARAMETER { tau = 0.1 (ms) e= 0 (millivolt) }
ASSIGNED { v (millivolt) i (nanoamp) }
Implementacja mechanizmu synaptycznego, w ktorym
przewodnictwo g jest okreslone rownaniem rozniczkowym, ktorego rozwiazaniem jest g(t) = g(t0)exp[(t-t0)/tau], g(t0) – przewodnictwo w momencie przybycia ostatniego impulsu (t0), tau – stala czasowa
zaniku. .
. .
STATE {
g (microsiemens) } INITIAL { g = 0 } BREAKPOINT {
SOLVE state METHOD cnexp i= g*(v - e)
}
DERIVATIVE state { g' = -g/tau }
NET_RECEIVE(weight (microsiemens)) { g = g + weight
}
Prosty model sieci
NetStim Neuron 1 Neuron 2
Zachowanie modelu
neuron[0].soma.v(0.5) neuron[1].soma.v(0.5) ShapePlot
Model sieci - struktura
PY
Stosunek liczby
PY:IN = 4:1
Model sieci - polaczenia
PY
Prawdopopodobienstwo oraz waga polaczenia synaptycznego powinny byc ustalone osobno dla kazdego z czterech rodzajów polaczeń.
Parametry synapsy AMPA: onset msdecaymsEAMPA = 0 mV Parametry synapsy GABA: onset= 0.5 ms, decay= 2 ms, EGABA = -70 mV Wejscie zewnetrzne: nieskorelowane wejscie losowe do kazdej komorki PY
Widok z boku:
GABA
GABA AMPA
AMPA
Zachowanie modelu
Na wyjsciu chcielibysmy otrzymac:
-przebieg potencjalu blonowego wybranej komorki -przebieg sredniego potencjalu w obu populacjach -shape plot
-rasterplot dla obu populacji
-chwilową czestosc odpalania dla każdej populacji pop_rate = timevec.histogram(0, tstop, 1)
pop_rate.plot(g)