ms netcon.weight = 0

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 ms_decaymsE_AMPA = 0 mV Parametry synapsy GABA: _onset= 0.5 ms, _decay= 2 ms, E_GABA = -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)