Plasticidade sináptica não-supervisionada em redes de neurônios recorrentes

Várias propriedades do cérebro, como a aprendizagem e a memória, dependem da característica plástica das suas sinapses que lhe dá a capacidade de se adaptar de acordo com diferentes percepções do ambiente. Estudos recentes tem desenvolvido regras fenomenológicas para descrever a modificação das conexões químicas entre neurônios e entender as suas propriedades e efeitos em rede. Em particular, ainda foram pouco explorados sobre uma rede de neurônios recorrente, que possui apenas uma camada conectada a si mesma. É preciso um arranjo delicado das suas sinapses para que ela possa apresentar uma atividade transiente que tenha relação com o seu estímulo inicial. Após o ajuste de modelos matemáticos para simular a rede, conseguimos que esse sistema controlado fosse construído a partir duas regras de plasticidade de origem experimental, o escalonamento homeostático e a plasticidade dependente dos tempos de disparo. Quando treinada com a indução repetitiva de um padrão de potenciais de ação, a rede se auto-organiza para produzir uma resposta com frequência de disparos fixada pelas regras. Formulamos uma medida de correlação para quantificar a eficiência do reconhecimento e da separação de diferentes padrões apresentados, com relação à recuperação dos intervalos temporais, e analisamos diferentes aspectos que a influenciam. Os resultados deste trabalho serão apresentados após uma breve revisão da literatura.Many of the brain properties, such as learning and memory, rely on the plastic nature of its synapses, which yields the capacity to adapt accordingly to the changes in the enviroment. Recent studies have worked in the development of phenomenological rules to describe the morphing of chemical connections between neurons and to understand its net effects. Most particularly, these are yet not much explored on a recurrent network architecture, which consists of a single layer connected within itself. A very delicate arrangement of the synapses is needed in order to the network to present a transient activity that still relates to the initial stimulus. We managed to adjust the mathematical models in order to get the controlled system to be built on top of two experimentally derived plasticity rules, the homeostatic scaling and the spike-timing-dependent plasticity. Trained by a repetitive exposure to an action potential pattern, the network organizes itself to produce a response with a firing frequency that has been determined by the rules. We created a correlation measure to quantify the efficience of recognition and separation of the presented pattern by comparing the time interval recovery, and analyzed the influence of diverse network aspects on it. The results of this work will be presented after a brief review of the literature