Studio ed implementazione di un modello della generazione di ritmi nell'area corticale

In recent decades, the rhythms generated in the cortical area have become a subject of great interest in neuroscience due to their role in various cognitive processes, such as attention, learning, memory and movement. Brain rhythms are semi-periodic oscillations of electrical activity in nervous tissue, which can be detected through electroencephalographic (EEG) signal processing. Depending on their frequency content, they are classified as Delta, Theta, Alpha, Beta and Gamma waves, with each class characterising a different phase of brain activity during sleep, cognitive and motor activities. The signal measured by the electroencephalogram (EEG), used to study cortical rhythms, is a macroscopic phenomenon that reflects the synchronised activity of large populations of neurons, particularly pyramidal neurons. The use of mathematical models is a very effective non-invasive investigative method for studying the dynamics of the cerebral cortex. In particular, neural mass models (NMMs) focus on the activity of the entire neural population rather than on individual neurons. Although information about individual cells is lost, this type of model reduces the design and computational complexity of the mathematical model, as it uses few state variables based on the assumption that neurons belonging to the same population are stimulated by similar input signals and, consequently, exhibit the same activity. This approach is therefore more advantageous and effective than others for analysing the mechanisms of cerebral cortex functioning. This thesis illustrates two models proposed by Zavaglia et al., the Reduced Model and the Complete Model, and their evolution from previous models. The Reduced Model represents a model of a particular type of inhibitory neuron, the fast GABAA interneurons. The purpose of this model is to show that these neurons can generate electrical oscillations at the frequency of Gamma waves even autonomously and without the intervention of other types of brain cells. This result helps to better understand how brain rhythms can originate from very specific and local circuits, providing a useful basis for studying the mechanisms underlying brain activity. The Complete Model, on the other hand, allows the simulation of the post-synaptic potential generated in pyramidal neurons, thanks to the interaction of four neural populations communicating through inhibitory and excitatory synapses: pyramidal cells, excitatory interneurons, GABAA,slow inhibitory interneurons, and GABAA,fast inhibitory interneurons. It highlights how different types of rhythm combinations can be obtained from the same neural population by changing only the values of the neural connectivity parameters, without altering the dynamics and structure of the synapse. Finally, both models were implemented in MATLAB and the results obtained were compared with those reported in the original article.

Negli ultimi decenni i ritmi generati nell’area corticale sono diventati oggetto di studio di grande interesse nell’ambito delle neuroscienze, a causa del loro ruolo nei vari processi cognitivi, come attenzione, apprendimento, memoria e movimento. I ritmi, o onde, cerebrali sono oscillazioni semi-periodiche di attività elettrica del tessuto nervoso, individuabili attraverso l’elaborazione del segnale elettroencefalografico (EEG). A seconda del loro contenuto in frequenza vengono classificati in onde Delta, Theta, Alfa, Beta e Gamma, dove ogni singola classe caratterizza una diversa fase dell’attività cerebrale sia durante il sonno, che durante le attività cognitive e motorie. Il segnale misurato dall’elettroencefalogramma (EEG), usato per lo studio dei ritmi corticali, è un fenomeno macroscopico che riflette l’attività sincronizzata di estese popolazioni di neuroni, in particolare dei neuroni piramidali. L’utilizzo dei modelli matematici rappresenta un metodo investigativo non invasivo molto efficace per lo studio delle dinamiche della corteccia cerebrale. In particolare, i modelli di massa neurale (NMMs) concentrano l’attenzione sull’attività dell’intera popolazione neurale, piuttosto che sul singolo neurone. Questa tipologia di modello, nonostante vengano perse informazioni riguardanti la singola cellula, permette di ridurre la complessità progettuale e computazionale del modello matematico, in quanto impiega poche variabili di stato basandosi sull’ipotesi che i neuroni appartenenti alla stessa popolazione vengano stimolati da segnali di input simili e, di conseguenza, presentino la medesima attività. Tale approccio si rivela, quindi, più vantaggioso ed efficace, rispetto ad altri, per l’analisi dei meccanismi di funzionamento della corteccia cerebrale. In questa tesi si illustrano due modelli proposti da Zavaglia et al., il Modello Ridotto (Reduced Model) e il Modello Completo (Complete Model), e la loro evoluzione partendo da modelli precedenti. Il Modello Ridotto rappresenta una modellazione di un particolare tipo di neuroni inibitori, gli interneuroni GABAA,fast. Lo scopo di questo modello è mostrare che questi neuroni possono generare oscillazioni elettriche alla frequenza delle onde Gamma anche in modo autonomo e senza l’intervento di altri tipi di cellule cerebrali. Questo risultato aiuta a comprendere meglio come i ritmi cerebrali possano originare da circuiti molto specifici e locali, fornendo una base utile per lo studio dei meccanismi alla base dell’attività cerebrale. Il Modello Completo, invece, permette di simulare il potenziale post-sinaptico generato nei neuroni piramidali, grazie all’interazione di quattro popolazioni neurali comunicanti attraverso sinapsi inibitorie ed eccitatorie: cellule piramidali, interneuroni eccitatori, interneuroni inibitori GABAA,slow e interneuroni inibitori GABAA,fast. Esso evidenzia come si possano ottenere diversi tipi di combinazione di ritmi dalla stessa popolazione neurale, cambiando i soli valori dei parametri delle connettività neurale, senza alterare la dinamica e la struttura della sinapsi. Infine, entrambi i modelli sono stati implementati in MATLAB e i risultati ottenuti sono stati confrontati con quelli riportati nell’articolo originale.