Nelle prime lezioni si è data una breve descrizione del neurone biologico, nella presente lezione vedremo un modello del neurone biologico come circuito elettrico:
Il modello di Hodgkin-Huxley (vedi anche)
Tale modello ci permetterà di introdurre nella prossima lezione un particolare tipo di reti neurali dette “Reti neurali ricorrenti a tempo continuo”.
Abbiamo visto come l’esistenza di una differenza di potenziale tra l’esterno e l’interno della membrana cellulare di un neurone (con l’esterno ad un potenziale più alto) è dovuta, fondamentalmente, alla presenza di una differente concentrazione di ioni sodio e potassio.
Per quanto riguarda gli ioni sodio (Na+), la concentrazione di tali ioni è più alta nel fluido extra-cellulare.
Questo gradiente di concentrazione favorisce il passaggio di ioni sodio attraverso la membrana e, fondamentalmente, attraverso i canali ionici dedicati al sodio (la quantità di ioni che passano dipende da “quanto” i canali dedicati al sodio sono aperti) verso l’interno della membrana.
Ad una determinata d.d.p della membrana, detto potenziale di inversione, l’effetto del gradiente di concentrazione sarà cancellato dal gradiente di potenziale elettrico e così il flusso degli ioni sodio sarà zero.
Una comportamento simile si ha per gli ioni potassio (K+) che fluiscono attraverso i canali ionici dedicati al potassio con la differenza che il gradiente di concentrazione è opposto (maggiore concentrazione di K+ nel fluido intra-cellulare).
Osserviamo che la variazione della “capacità” dei canali ionici a farsi attraversare dai rispettivi ioni è dipendente dal voltaggio.
La presenza, allora, di canali con tale comportamento fa sì che il potenziale di membrana dipende da:
Quindi il comportamento della membrana cellulare può essere “catturato” tramite un circuito RC con i canali ionici rappresentati tramite delle resistenze variabili (vedi in figura).
Le conduttanze sono in serie con delle batterie (delle forze elettromotrici) il cui valore corrisponde al potenziale di inversione delle rispettivi correnti ioniche.
L’interno della membrana è considerato come la terra (potenziale zero).
Il doppio strato di lipidi che costituisce la membrana è rappresentato tramite il condensatore C.
In una situazione di riposo si ha:
Potenziale di membrana a riposo, Vm, circa pari a 70 mV;
gNa e gK sono quasi a zero;
il passaggio di corrente è dominato dalla corrente di perdita Il.
L’equazione che descrive il circuito in figura è:
C(dVm/dt)= I(t) -gl(Vm- El) – gNa(Vm – ENa)- gK(Vm +EK)
dove i valori riportati da Hodgkin e Huxley per i potenziali di inversione sono (considerando l’interno della membrana a potenziale 0):
El= 10.6 mV
ENa= 115 mV
EK= 12 mV
Ricordo che, in generale, la capacità di un condensatore è data da
C=dQ/dV,
Quindi
C=(dQ/dt)/(dV/dt)
cioè
I=C (dV/dt)
Ritornando all’equazione caratterizzante il modello di Hodgkin-Huxley
C(dVm/dt)= I(t) -gl(Vm- El) – gNa(Vm – ENa)- gK(Vm +EK)
Raggruppando i vari termini, possiamo scriverla come
C(dVm/dt)= I(t) -(gl + gNa + gK )Vm+ gl El +gNaENa+ gKEK
Data allora l’equazione differenziale:
C(dVm/dt)= I(t) -(gl + gNa + gK )Vm+ gl El +gNaENa+ gKEK
Se le conduttanze fossero tutte costanti tale equazione è simile a quella vista nella slide precedente relativa ad un semplice condensatore.
Si avrebbe, allora, in risposta ad un segnale a gradino, una propagazione del segnale in maniera esponenziale con ritardo dipendente da C e (gl + gNa + gK ).
Tuttavia anche se gl è costante, gNa e gK sono dipendenti dal tempo e dal voltaggio.
Si ha cioè
gl= Gl
gNa= GNa m(t)3h(t)
gK= GK n(t)4
dove Gl, GNa e GK sono le conduttanze massime,
mentre le variabile m, h e n sono variabili dipendenti dal tempo e dal voltaggio che catturano la variabilità dei canali ionici nel far passare ioni.
Hodgkin e Huxley riportano dei valori sperimentali per le conduttanze massime.
Tali valori sono:
GNa= 120 mS/cm2
GNa= 36 mS/cm2
Gl= 0.3 mS/cm2
Mentre le variabili m, h e n sono descritte dalle seguenti equazioni differenziali:
dm/dt= [m∞(Vm)-m]/τm(Vm)
dh/dt= [h∞(Vm)-h]/τh(Vm)
dn/dt= [n∞(Vm)-n]/τn(Vm)
Quindi se indichiamo genericamente con x una delle variabile m, h e n, abbiamo
Che:
x va esponenzialmente verso un valore stabile x∞ (che dipende dal potenziale Vm) con una costante di tempo τx.
Gli stati stabili m∞, h∞e n∞ hanno una dipendenza sigmoidale dal potenziale.
Si ha, cioè,
limVm→-∞ m∞, n∞ = 0
lim Vm→+∞ m∞, n∞ = 1
limVm→-∞ h∞ = 1
lim Vm→+∞ h∞ = 0
Quindi per potenziali molto negativi le variabili m e n tendono a chiudere entrambi i canali ionici, mentre un potenziale molto alto tende a chiudere solo il canale dedicato al sodio.
Concludendo:
Se risolviamo al calcolatore le equazioni differenziali prima descritte, si osserverà per la variabile Vm un andamento molto simile allo spike dei neuroni biologici.
Tale modello ha rappresentato un primo modello per descrivere nel dettaglio il comportamento del potenziale di membrana di un neurone biologico.
Sulla base di tale modello circuitale è possibile, come vedremo nella prossima lezione, un modello di reti neurali ricorrenti.
1. Informazioni generali sul corso
3. Un modello computazionale del neurone biologico
4. Possibili problemi risolvibili con Reti Neurali
5. Problemi di Classificazione ed approccio probabilistico
7. Capacità rappresentativa delle reti neurali - parte prima
8. Capacità rappresentativa delle reti neurali - Parte seconda
9. Apprendimento e generalizzazione
10. Discesa del gradiente e backpropagation
11. Back-Propagation
13. Interpretazione output di una rete neural feed-forward
14. Complessità della rete, generalizzazione e termini di regolari...
15. Cross-entropy e variazioni sulla discesa del gradiente
16. Verso le reti neurali RBF: interpolazione esatta.
17. Reti neurali RBF
18. Addestramento di una rete RBF
19. Parametri delle funzioni a base radiale
20. Un primo modello di reti neurali ricorrenti: formalismo di Caia...