Advances in Cognitive Sciences

fa مدل‌سازی نقش سلول‌های اختصاصی مهاری در پردازش محرک‌های بینایی Modeling the role of specific inhibitory cells in the processing of visual stimuli مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز پژوهشي اصیل Research مقدمه: گابا یک انتقال‌دهنده عصبی مهاری کلیدی در دستگاه عصبی مرکزی است که نقش مهمی در کاهش فعالیت نورونی، تنظیم ارتباطات عصبی، کاهش استرس و بهبود کیفیت خواب ایفا می‌کند. دو نوع اصلی از نورون‌های میانجی مهاری، پاروالبومین (PV⁺) و سوماتواستاتین (SST⁺)، در تنظیم پاسخ مغز به محرک‌های حسی، به ‌ویژه بینایی، نقش دارند. با این که اثرات کلی این نورون‌ها مشخص است، اما عملکرد دقیق و ارتباط آنها با سلول‌های پیرامیدال هنوز به‌درستی روشن نشده است. تحلیل کمی این ارتباطات برای رمزگشایی از مدارهای عصبی پیچیده و نیز پیشرفت در درمان بیماری‌های عصبی و طراحی سامانه‌های هوشمند اهمیت بالایی دارد. روش کار: در این مطالعه از داده‌های مؤسسه   Allenاستفاده شد. با بهره‌گیری از تکنیک پچ‌کلمپ، ویژگی‌های شلیک نورون‌های PV⁺ و SST⁺ در موش‌های ۴۵ تا ۷۰ روزه بررسی شد. حیوانات تحت بیهوشی قرار گرفتند، پرفیوژ شدند و برش‌های مغزی تهیه گردید. سپس از مدل‌های انتگرال و آتش نشتی تعمیم‌یافته (GLIF) برای شبیه‌سازی رفتار نورونی استفاده شد و این مدل‌ها با داده‌های الکتروفیزیولوژیکی بهینه‌سازی شدند. یافته‌ها: تحلیل واریانس نشان داد که مدل GLIF₁ قادر به بازتولید ۶۵ درصد از واریانس بود و عملکرد نورون‌های مهاری (۸۲ درصد) بهتر از تحریکی (۶۹ درصد) بود. مدل GLIF₂ با قانون بازنشانی کاهش عملکرد نشان داد. در مدل GLIF₃ با افزودن جریان‌های پساشلیک، واریانس نورون‌های مهاری به ۸۴ درصد رسید. GLIF₄ با بهینه‌سازی بیشتر، عملکرد هر دو نوع نورون را بهبود داد. نتیجه‌گیری: مدل‌های  GLIF می‌توانند رفتار نورون‌های زیستی را با پارامترهای اندک و دقت بالا شبیه‌سازی کنند. مدل‌های پیچیده‌تر کارآمدترند، اما احتمال بیش‌برازش را افزایش می‌دهند. انتخاب ویژگی‌های کلیدی برای مدل‌سازی موفق ضروری است.   Introduction: Gamma-aminobutyric acid (GABA) is an essential inhibitory neurotransmitter that regulates neural communication and reduces neuron activity, reducing stress and promoting sleep. Two main types of inhibitory interneurons, Parvalbumin (<m:omath><m:ssup><m:ssuppr><m:ctrlpr></m:ctrlpr></m:ssuppr><m:e><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="p"></m:sty></m:scr></m:rpr>PV</m:r></m:e><m:sup><m:r>+</m:r></m:sup></m:ssup></m:omath> ) and Somatostatin (<m:omath><m:ssup><m:ssuppr><m:ctrlpr></m:ctrlpr></m:ssuppr><m:e><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="p"></m:sty></m:scr></m:rpr>SST</m:r></m:e><m:sup><m:r>+</m:r></m:sup></m:ssup></m:omath> ), shape brain responses to visual stimuli, although their specific roles remain unclear. Gathering quantitative data on their connectivity with pyramidal cells is vital for deciphering complex brain circuits. Understanding these neurons aids in developing treatments for neurological disorders and advancing intelligent machine design. Methods: The study utilized data from the Allen Institute, employing the patch clamp technique on mice to analyze the firing characteristics of central inhibitory neurons, <m:omath><m:ssup><m:ssuppr><m:ctrlpr></m:ctrlpr></m:ssuppr><m:e><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="p"></m:sty></m:scr></m:rpr>PV</m:r></m:e><m:sup><m:r>+</m:r></m:sup></m:ssup></m:omath>  and <m:omath><m:ssup><m:ssuppr><m:ctrlpr></m:ctrlpr></m:ssuppr><m:e><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="p"></m:sty></m:scr></m:rpr>SST</m:r></m:e><m:sup><m:r>+</m:r></m:sup></m:ssup></m:omath>  Mice aged 45-70 days were anesthetized, perfused, and brain slices prepared. Researchers enhanced generalized leaky integrate-and-fire (GLIF) models to simulate neuronal spiking behavior, optimizing them with electrophysiological data to accurately reproduce neural responses across various stimuli. Results: The analysis of explained variance indicates that additional mechanisms are needed to replicate the spiking behavior of inhibitory and excitatory neurons. The GLIF₁ model achieved a variance of 65%, with inhibitory neurons showing higher performance (82%) compared to excitatory neurons (69%). The GLIF₂ model’s reset rule reduced performance for both types, while the GLIF₃ model, including post-spike currents, improved inhibitory neuron variance to 84%. Introducing post-spike currents in the GLIF₄ model further enhanced performance for both neuron types. Overall, the findings highlight the distinct effects of post-spike currents on neuron types and the complexity of modeling their behaviors. Conclusion: The present research concluded that GLIF models can accurately replicate biological neuron spike times with few adjustable parameters, simplifying input-output matching. More complex models, like GLIF₃, outperform simpler ones in differentiating transgenic lines. However, increasing complexity risks overfitting, complicating optimization. Clustering algorithms can classify cell types based on electrophysiological features, but identifying crucial features is essential for effective modeling.     نورون مهاری,‌ تحریک بینایی,‌ مدل انتگرال و آتش نشتی تعمیم یافته Inhibitory neuron, Visual stimulation, Generalized leaky integrate-and-fire models 73 90 http://icssjournal.ir/browse.php?a_code=A-10-444-1&slc_lang=fa&sid=1 Fatemeh Bazeli Mahbob فاطمه باذلی محبوب f_bazeli@sbu.ac.ir 0077809491 0009-0002-2783-733X No Cognitive Science Modeling, Shahid Beheshti University, Tehran, Iran مدل‌سازی شناختی، دانشگاه شهید بهشتی، تهران، ایران Mir Shahram Safari میرشهرام صفری safari@sbmu.ac.ir 2750600146 100319475328460018722 Yes Neuroscience Research Center, Shahid Beheshti University of Medical Sciences, Tehran, Iran استادیار مرکز تحقیقات علوم اعصاب دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران Abdolhossein Vahabi عبدالحسین وهابی h.vahabie@gmail.com 1377452468 100319475328460018723 No Faculty Member of the Faculty of Electrical and Computer Engineering and the Faculty of استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، تهران، ایران