Curso:
Introducción al Modelado Neuronal:
De los spikes a los circuitos.
Contenido:
El curso propone una introducción teórico-práctica al modelado computacional de la actividad neuronal, orientada a estudiantes de posgrado e investigadores interesados en comprender cómo se construyen y utilizan modelos biológicos de neuronas y circuitos para estudiar la dinámica del sistema nervioso.
A lo largo del curso, se abordará el modelado de neuronas a distintos niveles de complejidad, desde la descripción biofísica del potencial de acción en el modelo de Hodgkin-Huxley1,2 hasta modelos simplificados como LIF o GIF2, que capturan ciertas características del potencial de acción. Se discutirán las ventajas y desventajas de utilizar modelos simplificados. Luego se profundizará en el modelado de conexiones sinápticas, eléctricas y químicas, explorando qué aspectos pueden ser modelados y que costo computacional lleva asociado.
En la segunda parte, se extenderán estos conceptos al estudio de redes neuronales biológicamente inspiradas, explorando cómo las interacciones sinápticas y los circuitos excitatorios-inhibitorios dan lugar a propiedades emergentes, como circuitos de feedback o feedforward que generan oscilaciones, control de ganancia, acoples temporales o competencias en el encoding, hasta el circuito de ring atractor que permite la navegación espacial. Se introducirá también el uso de herramientas computacionales actuales en Python (principalmente Brian24), que permiten simular de forma accesible y reproducible el comportamiento de neuronas y redes.
El curso combinará exposiciones teóricas con actividades prácticas guiadas en Jupyter notebooks, donde los participantes construirán y analizarán sus propios modelos.3
Objetivos:
- Introducir los principios básicos del modelado computacional en neurociencia.
- Comprender la formulación matemática de los principales modelos neuronales (HyH, modelos de Izhikevich, LIF, GIF)
- Explorar el comportamiento de redes neuronales, específicamente en los circuitos de feedback, feedforward y atractor ring.
- Familiarizar a los participantes con las principales librerías y entornos de simulación en Python, adquiriendo herramientas prácticas para iniciar sus propias simulaciones.
Requisitos:
Tener conocimientos básicos de programación va a ayudar con el entendimiento de las etapas prácticas del curso.
Docentes responsables:
- Dr. Claudio Mirasso
- Dr. Emiliano Marachlian
- Dra. Luz Bavassi
- Valentin Agullo
- Facundo Emina
- Agustin Lara
- Macarena Amigo Duran
Posible Cronograma
Dia 1
Mañana
09:00 – 10:30
| Teoría 1 – Introducción al modelado neuronal
- Historia breve: de Cajal y Hebb a Hodgkin–Huxley y redes neuronales
- Modelos a distintos niveles: LIF, GIF, Izhikevich, Hodgkin–Huxley.
- Concepto de trade-off entre simpleza y biología.
10:30 – 11:00
| Receso
11:00 – 12:00
| Teoría 2 – Charla + Notebook práctico – El modelo de Hodgkin–Huxley
- Canales iónicos y ecuaciones diferenciales.
- Qué reproduce bien y qué simplifica. Ir mostrando como se ve un modelo de una neurona en el notebook y plots con un potencial de acción de HyH.
12:00 – 13:30 | Almuerzo
Tarde
13:30 – 15:30
| Notebooks prácticos – Ejemplo de neurona HH
- Charla aplicada: “Qué aprendimos del modelo de HH y cómo se usa hoy”.
- Notebook Python: simulación de un potencial de acción con HH.
- Discusión interactiva con cambios de parámetros.
15:30 – 16:00
| Receso
16:00 – 18:30
| Notebooks prácticos – Modelos simplificados y sinapsis
- Introducción al LIF y GIF con notebooks.
- Ejercicios: cambiar parámetros y observar dinámica.
- Modelado de sinapsis simples (AMPA/GABA) en notebooks.
- Mini-ejercicio final del día: comparar curvas FR–I de LIF vs. HH.
Dia 2
Mañana
09:00 – 12:30
| Teoría 3 – Redes y circuitos
(Receso en el medio 10:30 – 11:00)
- Circuitos de feedback y feedforward para lograr oscilaciones
- Circuito del ring atractor que permite la navegación
12:00 – 13:30
| Almuerzo
Tarde
13:30 – 17:30
| Práctica intensiva en circuitos
(con receso intermedio 15:30–16:00)
Simulación “desde cero” (2 h)
- Construcción de un circuito excitatorio–inhibitorio pequeño sin librerías.
- Visualización de actividad en tiempo real (spikes, oscilaciones).
- Reflexión: cuánto tiempo lleva y qué limitaciones aparecen.
Uso de librerías (Brian2) (2 h)
- Reproducir el mismo circuito en Brian2.
- Comparar velocidad, escalabilidad y legibilidad del código.
17:30 – 18:30
| Charla de cierre – Análisis conceptual
Referencias:
- HODGKIN AL, HUXLEY AF. A quantitative description of membrane current and its application to conduction and excitation in nerve. J Physiol. 1952 Aug;117(4):500-44.
- Ganguly, C., Bezugam, S.S., Abs, E. et al. Spike frequency adaptation: bridging neural models and neuromorphic applications. Commun Eng 3, 22 (2024).
- Tutorials de Neuromatch Academy (W1D1, W2D3).
- Stimberg M, Brette R, Goodman DFM (2019), Brian 2, an intuitive and efficient neural simulator, eLife 8:e47314.