Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Traducido del inglés al español - www.onlinedoctranslator.com capitulo 62 Modelos informáticos de nervios periféricos Mateo A. Schiefer*y Dustin J. Tyler Louis Stokes Centro Médico del Departamento de Asuntos de Veteranos de Cleveland (LSCDVAMC), Centro de Excelencia APT, Cleveland, Ohio, EE. UU. Departamento de Ingeniería Biomédica, Universidad Case Western Reserve, Cleveland, Ohio, EE. UU. *Autor para correspondencia: correo electrónico: matthew.schiefer@case.edu INTRODUCCIÓN Los modelos informáticos proporcionan una herramienta fundamental para la comprensión y la interacción con el sistema nervioso periférico. La variedad de modelos va desde modelos de axón muy simples que no propagan potenciales de acción hasta poblaciones de neuronas en red muy complejas. También van desde abstracciones sueltas del comportamiento neuronal hasta descripciones realistas de datos electrofisiológicos obtenidos durante estudios de pinzamiento de la dinámica de los canales iónicos. La mayoría de los modelos describen esencialmente el flujo de corriente iónica a través de la membrana neural ya través del citoplasma interno de la neurona. El flujo de corriente a través de la membrana está determinado por el comportamiento de los canales iónicos dentro de la membrana y las vainas aislantes de mielina alrededor de los axones. Los mecanismos por los cuales un canal pasa iones dentro o fuera de la célula en función del tiempo, potencial de membrana, temperatura, y otros factores, como las concentraciones químicas, gobiernan el comportamiento de una neurona. Son fundamentales para muchos estudios de modelado por computadora. Para modelar la respuesta del nervio, las ecuaciones diferenciales múltiples generalmente deben resolverse numéricamente con una resolución suficientemente fina en el tiempo. A medida que aumenta el número de canales iónicos, aumenta la cantidad de tiempo para resolver simultáneamente estas ecuaciones. Para grandes poblaciones de neuronas, esto puede volverse poco práctico. Se han desarrollado aproximaciones lineales que reducen significativamente el tiempo de cálculo. Estas técnicas pueden ser muy útiles, pero vienen con la advertencia de que a menudo son apropiadas solo para un modelo específico que opera dentro de un rango específico. No obstante, estas técnicas pueden ser muy útiles para obtener información sobre el comportamiento neuronal general de las neuronas en respuesta a los estímulos aplicados. El modelo típico de nervio periférico es el del axón, aunque también puede incluir el soma y las dendritas. A menudo, los modelos se utilizan para investigar la respuesta de una celda a los cambios en el entorno electroquímico. Pueden incorporar representaciones sofisticadas de mielinización, versiones simplificadas de mielina o ninguna mielina. las necesidades del Nervios y lesiones nerviosas, vol. 2.http://dx.doi.org/10.1016/B978-0-12-802653-3.00111-1 ©2015 Elsevier Ltd. Todos los derechos reservados. estudio a menudo dictan la complejidad del modelo. Algunos estudios requieren simular muchas neuronas, mientras que otros bastan con una sola neurona. Este capítulo es una descripción general de los niveles y tipos de modelos que han tenido una influencia importante en la neurociencia y la ingeniería neuronal. El texto está organizado comenzando con los modelos más simples y progresando a través de capas adicionales de complejidad. El punto de partida es identificar las técnicas para modelar los componentes individuales de la neurona: canales iónicos, capacitancia de membrana y mielinización. Los componentes se ensamblan en modelos para una comprensión más amplia de la neurona en general. Se desarrollan modelos sinápticos para simular el comportamiento de poblaciones de neuronas. A medida que crecen la complejidad y el tamaño de los modelos, introducimos técnicas de aproximación que reducen el tiempo total de simulación sin afectar significativamente el comportamiento de la población. Finalmente, este capítulo se cierra con una discusión de algunos de los paquetes de software más populares que se han utilizado para modelar neuronas. El enfoque de este capítulo permanece en la periferia. La descripción general de los modelos de axones más importantes presentados en el capítulo proporciona una base sólida para que el lector interesado busque compendios de modelos más completos (Koch, 2004). LA MEMBRANA NEURAL, LOS IONES Y LOS CANALES TRANSMEMBRANALES La membrana neural, una bicapa lipídica, es una membrana no conductora que separa los iones cargados (Figura 62.1). Los canales de "fuga" no específicos permiten que unos pocos iones atraviesen la membrana semipermeable incluso en reposo. Por lo tanto, la membrana se comporta y se modela como un condensador y una resistencia en paralelo. Otros canales de membrana son específicos de iones. Los modelos de canales iónicos más comunes son para sodio (Na+) y potasio (K+), pero hay muchos otros, incluido el cloruro (Cl-) y calcio (Ca2+). Los canales iónicos, sin embargo, no son estáticos. Su conductancia iónica cambia en respuesta 1021 http://dx.doi.org/10.1016/B978-0-12-802653-3.00111-1 https://www.onlinedoctranslator.com/es/?utm_source=onlinedoctranslator&utm_medium=pdf&utm_campaign=attribution 1022PARTE VIIEl futuro de la lesión del nervio periférico FIGURA 62.1La membrana de la neurona está compuesta por una bicapa lipídica que separa diferentes iones que permean la membrana a través de canales iónicos transmembrana. Si el canal siempre pasa iones sin importar el tiempo o el voltaje de la membrana, entonces la resistencia se considera pasiva y se modela como una resistencia simple. Sin embargo, si el canal exhibe dinámica, entonces se modela como una resistencia variable.Adaptado deColina (2001)yHodgkin y Huxley (1952a). a diferentes estímulos ambientales. El estímulo más importante para el comportamiento neuronal es el voltaje de la membrana. Otros canales responden a Ca2+concentraciones, unión de ligandos y perturbaciones mecánicas. Por lo tanto, la mayoría de los canales iónicos se modelan como una resistencia variable. Aunque el canal de iones normalmente se modela como una resistencia, los textos suelen discutir la conductancia de iones de la membrana. La resistencia es la inversa de la conductancia. Hay un gradiente electroquímico establecido por la separación de iones a través de la membrana. El voltaje transmembrana,Vmetro, se puede calcular usando el Goldman- Ecuación de Hodgkin-Katz (GHK): - RT pag½k+ - + ½N / A+ -oVmetro¼ en k -o pagsN / A + pagscl½cl--i-i+pagscl½cl--o (62.1)F pk½k+-i+pagsN / A½N / A+ dóndeRes la constante universal de los gases,Tes la temperatura pa en kelvin, yFes la constante de Faraday. En la ecuación de GHK, pagsk,pagsN / A, yPAGSclrepresentan la permeabilidad de la membrana a K+, N / A+y cl-, respectivamente. [K+], [N / A+], y [Cl-] son las concentraciones de estos iones dentro (i) o fuera (o) de la célula. El potencial resultante del gradiente electroquímico de diferentes concentraciones de iones en el interior de la celda en comparación con el exterior está representado por una batería en paralelo con la resistencia del canal. Para un canal de iones que pasa un ion específico, la fuerza impulsora de ese ion se modela como una batería en serie con la resistencia del ion. El voltaje de la batería se ajusta al potencial de inversión de ese ion. Para un ion,X, de valenciaz, el potencial de inversión se calcula según la ecuación de Nernst: - - ½X-oRT zFmiX¼ en (62.2) a ½X-i Estos cuatro componentes (condensadores, resistencias pasivas y variables y baterías) forman la base de los modelos neuronales. Para un ion específico, puede haber diferentes subtipos de canales, cada uno con un conjunto diferente de dinámicas. Por ejemplo, existen los de acción lenta, también conocidos comopersistente,y de acción rápida canales de sodio Las dinámicas de estos dos tipos de canales son diferentes y están representadas por modelosde canales únicos en paralelo. TIPOS DE MODELOS DE NEURONA Los modelos de neuronas se pueden dividir ampliamente en puntos y compartimentos. Amodelo de puntoes indiferente al espacio. Puede usarse para estudiar un segmento muy pequeño de una neurona, como un solo nodo de Ranvier, o cuando ciertas suposiciones sobre el comportamiento de la neurona son razonables. Por ejemplo, si es razonable suponer que un potencial de acción iniciado siempre se propaga, entonces puede que no sea necesario modelar esa propagación. Por el contrario, unmodelo compartimentadoda cuenta de las dimensiones espaciales de la neurona al discretizar la geometría de la neurona en pequeños compartimentos. Se debe adoptar un modelo compartimental cuando sea necesario tener en cuenta las diferencias espaciales a lo largo de la neurona, como cambios en las concentraciones químicas, campos eléctricos o diferencias en la conductancia iónica y la capacitancia de la membrana entre regiones adyacentes de la neurona. Los modelos compartimentales dividen la neurona en múltiples compartimentos o segmentos. Por lo general, los compartimentos confinan partes del modelo que se rigen por la misma dinámica que a su vez difiere de la dinámica que rige una parte adyacente de la neurona. Los compartimentos no se limitan a nodos y entrenudos. Cuando un soma se divide en múltiples compartimentos, el montículo de axones normalmente se compartimenta. Cada dendrita se puede subdividir en compartimentos. rtamento. Los entrenudos a menudo se dividen en múltiples compartimentos El modelo de integración y despido Uno de los modelos neuronales más simples que todavía se usa comúnmente en la actualidad es el modelo de integración y disparo desarrollado por Modelos informáticos de nervios periféricoscapitulo 621023 FIGURA 62.2 circuito con capacitancia de membranaCmetroy resistencia de membranaRmetro.Ves el potencial de membrana,Vdescansares el potencial de membrana en reposo, yyoes la corriente inyectada.Adaptado deAbad (1999). El modelo de integración y fuego de Lapicque. El equivalente Lapicque en 1907 (Figura 62.2) (Abad, 1999). Este modelo consta de un condensador en paralelo con una resistencia similar a la que se muestra enFigura 62.1. Aunque el circuito es estrictamente pasivo, se supone que si el voltaje de la membrana excede un umbral predefinido, la neurona iniciará un potencial de acción después del cual el voltaje de la membrana se restablecerá artificialmente ( Figura 62.3a). La frecuencia de disparo del modelo se puede alterar introduciendo retrasos de tiempo artificiales después de un potencial de acción que crean efectivamente un período refractario relativo y/o absoluto. Tenga en cuenta que estas alteraciones están escritas en el código de la computadora y no modelan estrictamente ningún proceso fisiológico en particular, ni se derivan directamente del modelo de circuito de la neurona. A menudo se introduce una fuga adicional para permitir que el modelo alcance un voltaje de membrana en reposo después de una perturbación por debajo del umbral. FIGURA 62.3(a) La trayectoria de voltaje del modelo clásico de neuronas de integración y disparo umbral, se genera un potencial de acción y Vm se restablece a un valor de subumbral. (b) Usand incorpora la adaptación neuronal. Inicialmente, la frecuencia de disparo es similar a la del mode que alcanza un estado estable. Analizando el circuito enFigura 62.2, la corriente de entrada,YO, se divide en las ramas capacitiva y resistiva, dV yo¼yo + yo metro RC¼Cmetrodt V+ metro (62.3) Rmetro dóndeCmetroes la capacitancia de la membrana,Rmetroes la resistencia de membrana, yVmetroes el potencial de membrana. El modelo de integración y disparo se puede refinar aún más para tener en cuenta la adaptación ajustando la ecuación(62.3)a dVmetro dt V+ metro+ V gramo¼CR metrometro dVmetro+ Vmetrod1 +RmetrogramoÞ yo¼Cmetro metro (62.4)dt Rmetro dgramo dt gramo τ¼- (62.5) dóndegramorepresenta una conductancia adaptativa dependiente del tiempo que retrasa la capacidad de activación de las neuronas durante una estimulación prolongada. El resultado es una disminución en la frecuencia de activación de la neurona durante los primeros pocos potenciales de acción ( Figura 62.3b). El modelo del nodo de Ranvier de Hodgkin-Huxley Entre 1945 y 1953, Hodgkin y Huxley publicaron una serie de artículos seminales de modelos mucho más realistas que describen directamente la dinámica del canal (Hodgkin y Huxley, 1945, 1946, 1947, 1952a, 1952b, 1952c, 1952d, 1952e, 1952f, 1953; Hodgkin, Huxley y Katz, 1952). Usando el calamar (Loligo pealeei)axón gigante como modelo, describieron la formación de potenciales de acción y desarrollaron ecuaciones precisas para modelar la dinámica de los canales de sodio y potasio que dan lugar a los potenciales de acción. Estas ecuaciones eran no lineales y dependían tanto del tiempo como del voltaje de la membrana. El modelo resultante, ilustrado en de Lapicque cuando la corriente de entrada,YO,es constante Cuando V alcanza un valor de o la misma corriente de entrada, la frecuencia de disparo del modelo disminuye cuando se lo clásico, pero disminuye rápidamente después de los primeros potenciales de acción hasta 1024PARTE VIIEl futuro de la lesión del nervio periférico FIGURA 62.4El modelo desarrollado por Hodgkin y Huxley basado en observaciones del axón gigante del calamar. La bicapa lipídica de la membrana está representada por el condensador. Las resistencias variables explican la resistencia dinámica de la membrana al sodio y al potasio. Una resistencia pasiva captura la resistencia de la membrana a la corriente iónica no específica. Las baterías incorporan potenciales de inversión para permitir que la membrana resida en un potencial de reposo fisiológico.Adaptado deHodgkin y Huxley (1952a). Figura 62.4, incluyó resistencias variables para tener en cuenta las conductancias de sodio y potasio que cambian dinámicamente en paralelo con la conductancia iónica no específica y la capacitancia de la membrana. Usando el análisis de circuitos con la ley actual de Kirchhoff, yo¼yoC+yoN / A+yok+yoL que se puede ampliar a (62.6) dVyo¼C metrometro + gramodVdt k metro-MIk+gramoN / AdVmetro-MIN / A+gramoLdVmetro-MILÞ (62.7) dóndegramoX¼1/RX, la conductancia del canal iónicoX. miN / A,mik, y o miLson los potenciales de inversión para las corrientes de iones de sodio, potasio e inespecíficas, respectivamente. La brillante idea de Hodgkin y Huxley fue describir la conductancia dinámica en términos de "puertas" en los canales que estaban en un estado abierto o cerrado. Cuando las compuertas estaban completamente abiertas, el canal alcanzaba su máxima conductancia y cuando estaba cerrado, tenía una conductancia cero. Por lo tanto, la conductancia de un ion se escribió como la conductancia máxima para el ion,gramoX, escalado por un factor de activación. Los estados de puerta para los canales de Hodgkin-Huxley son una función del tiempo y el voltaje. Ecuación(62.7)se modifica a dVmetro+ gn4dV-E+gramo + gramoLdVmetro-MILÞ yo¼Cmetrodt k metro k N / Ametro3hdVmetro-MIN / AÞ (62.8) m Los factores de activación son la probabilidad de que el canal iónico permita que un ion atraviese la membrana. Para los canales de potasio, hay cuatro puertas, cualquiera de las cuales puede estar en un estado abierto o cerrado. La probabilidad de que cualquier puerta esté abierta esnorte.Por lo tanto, la probabilidad de que las cuatro puertas estén abiertas esnorte4. losmetroLas puertas de los canales de sodio son similares a lasnortepuertas de los canales de potasio. El solteroh La puerta del canal de sodio opera de manera diferente, pero la lógica sigue siendo la misma. Por lo tanto, la probabilidad de que las cuatro puertas del canal de sodio estén orientadas para permitir que el sodio atraviese la membrana está descrita pormetro3H. Estas probabilidades se definen mediante ecuaciones de tasa de cambiode estado dependientes del tiempo: dnorte dt¼αnorted1-norteÞ-βnortenorte (62.9) dmetro dt ¼α ð1-metroÞ-βmetrometro metro (62.10) dh dt¼α ð1-hÞ-βhh h (62.11) donde α y β dependen del voltaje de la membrana,Vmetro: Vmetro+10 100mi10 -1 αnorte¼ - - (62.12) Vmetro+10 V +25- metroαmetro¼ - (62.13) Vmetro+25 10mi10 -1 Vmetro αh¼0:07mi20 (62.14) (62.15) (62.16) (62.17) V metro βnorte¼0:125mi80 Vmetro βmetro¼4mi18 1βh¼- - Vmetro+30 10mi + 1 El comportamiento dinámico de la neurona descrito por Ecuaciones(62.8)-(62.17)depende de una corriente inyectada en la neurona (Figura 62.5). Sin corriente despolarizante, el axón permanece a un voltaje constante (Figura 62.5a). Agregar una pequeña corriente despolarizante inicia un potencial de acción único, después del cual la célula se recupera a un potencial de membrana de estado estacionario (Figura 62.5b). Una corriente despolarizante ligeramente mayor inicia potenciales de acción repetitivos a una frecuencia fija (Figura 62.5c). Aunque las corrientes de sodio y potasio que fueron delado por Hodgkin y Huxley ayudó a otros a comprender la base sobre la que se construyen los modelos neuronales, el modelo en sí se limitaba a describir la dinámica del axón gigante del calamar. Siguiendo el trabajo seminal de Hodgkin y Huxley (HH), muchos investigadores adaptaron el Modelos informáticos de nervios periféricoscapitulo 621025 FIGURA 62.5 tres corrientes de entrada diferentes. Sin corriente de entrada, no se observa despolarización (a). Con una pequeña corriente de entrada, se inicia un solo potencial de acción y luego la celda vuelve al reposo (b). Con una corriente de entrada ligeramente mayor, se observan ráfagas repetitivas (c). La trayectoria de voltaje del modelo de Hodgkin-Huxley con FIGURA 62.6Un modelo compartimental simple en el que los nodos adyacentes de Ranvi supone que la mielina es un aislante perfecto (resistencia infinita) y no se incluye explícit modelo HH en un esfuerzo por describir con precisión el axón particular bajo investigación. Las adaptaciones incluyeron la incorporación de canales iónicos adicionales, el ajuste de las conductancias máximas y las probabilidades de que un canal estuviera abierto, la alteración de los potenciales de inversión y la consideración de las diferentes temperaturas corporales. Independientemente de la adaptación, la estructura general del modelo ilustrado enFigura 62.4sigue siendo el mismo. Contabilización de la mielinización Hasta este punto, los modelos han sido independientes del espacio. Para modelar una neurona distribuida espacialmente, un enfoque simple es modelar una serie de nodos de Ranvier ( Figura 62.6). Entre estos nodos, el axón se mieliniza. Se supone que la mielina es un aislante perfecto sin conductancia. La corriente intracelular viaja entre los nodos de Ranvier adyacentes, pero se opone a la resistividad axoplásmica,Rhacha. De manera similar, el espacio extracelular se considera conductor con una resistividad extracelular,Rmi. Frankenhaeuser y Huxley continuaron describiendo los efectos de la mielinización (Frakenhaeuser y Huxley, 1964). Con base en estas observaciones, muchos otros desarrollaron representaciones más sofisticadas de la mielina. En 1962, FitzHugh representó la mielina como una serie de compartimentos pasivos de alta impedancia que consisten en una capacitancia de membrana específica,Cmi, y resistencia,rmi, por unidad de longitud en paralelo ( Figura 62.7) (FitzHugh, 1962). Los compartimentos de mielina que abarcan el espacio internodal estaban separados cada uno por una resistencia axoplásmica y extracelular por unidad de longitud, r hachayrmi, respectivamente. Los resultados de estos modelos representaron mejor las observaciones de los axones de los mamíferos, pero aún no pudieron reproducir algunas características comunes, como los potenciales posteriores de despolarización. Tal detalle no se capturó hasta la introducción del modelo de axón de doble cable, que representaba el espacio periaxonal entre la mielina y el axón. En 1985, Blight caracterizó la mielina como un modelo de circuito de 10 compartimentos, distinguiendo entre axonal internodal (i)y vaina de mielina internodal (mi) capacitancia y resistencia (Figura 62.8) (Tizón, 1985). Estos compartimentos estaban separados por el periaxonal (Pensilvania)espacio: el espacio lleno de líquido entre el axonal er (NoR) están conectados mediante una resistencia intracelular y extracelular. Se amente en el modelo. 1026PARTE VIIEl futuro de la lesión del nervio periférico FIGURA 62.7Modelo de axón mielinizado de FitzHugh. Cada nodo de Ranvier (NoR) (Figura 62.4) está separado por mielina, que está representada por múltiples compartimentos de resistencias y condensadores en paralelo. Cada compartimento está separado por una resistividad axoplásmica y extracelular.Adaptado deFitzHugh (1962). FIGURA 62.8El tizón representó un entrenudo con 10 segmentos, lo que explica el espacio periaxonal, la resistencia y la capacitancia de la vaina de mielina y la resistencia y la capacitancia de la membrana axonal envuelta. Cada nodo contenía un canal de sodio no lineal, un canal de fuga y una capacitancia. Adaptado deTizón (1985). membrana y la vaina de mielina. En 1990, Awiszus amplió esta representación para incluir corrientes de potasio y sodio en paralelo a través de la membrana axonal internodal (Awiszus, 1990). Un año más tarde, Halter y Clark refinaron el modelo para tener en cuenta las diferencias en el grosor de la mielina a lo largo del entrenudo: la mielina adyacente al nodo (MYSA), la mielina acanalada (FLUT) y la mielina estereotipada con grosor uniforme (STIN) (Cabestro y Clark, 1991). En las últimas dos décadas, estos modelos se han perfeccionado aún más para incluir diferentes tipos de canales iónicos, como los canales lentos de potasio, rápido de potasio, rápido de sodio y persistente de sodio y el Na electrogénico.+-K+ bomba de iones (Stephanova y Bostock, 1995). A principios de la década de 2000, McIntyre, Richardson y Grill publicaron un modelo de axón de doble cable que usaba la diferenciación de mielina detallada por Halter y Clark, explicaba las diferencias dentro de la vaina de mielina (McIntyre, Richardson, Grill e Intyre, 2002; Richardson, McIntyre y Grill, 2000), y se basó en los hallazgos de Nilsson, Berthold y Rydmark (Berthold, Nilsson y Rydmark, 1983; Berthold y Rydmark, 1983; Nilsson y Berthold, 1988; Rydmark, 1981; Rydmark y Berthold, 1983). Este modelo es una representación muy precisa de la estimulación eléctrica del axón periférico de un mamífero, pero se produce a expensas de cálculos que consumen mucho tiempo (Figura 62.9). Este modelo contiene cuatro corrientes iónicas: la corriente de fuga no específica (L),una corriente de sodio rápida (transitoria) (Naf), una corriente persistente de sodio (Siesta),y una corriente lenta de potasio ( K).La combinación de estas cuatro corrientes junto con la capacitancia de la membrana y los compartimentos no ganglionares da como resultado un modelo que representa con precisión el axón periférico de los mamíferos. MONTAJE DE LOS COMPARTIMENTOS Habiendo discutido los dos componentes principales de la neurona—membrana con una alta densidad de canales iónicos y mielina aislante: ahora dirigimos nuestra atención a la conexión de compartimentos para producir modelos neuronales espacialmente extendidos. Modelos informáticos de nervios periféricoscapitulo 621027 FIGURA 62.9El modelo de axón de doble cable de McIntyre, Richardson y Grill. Los nodos de Ranvier contienen dos tipos de corrientes de sodio, así como una corriente de potasio y de fuga. Similar al modelo de Blight, los entrenudos contenían 10 segmentos.Adaptado deMcIntyre et al. (2002). if Modelado del axón motor Para ilustrar las técnicas para crear un modelo de axón multicompartimental, usamos una representación simple de mielina. En este caso, asumimos que el entrenudo está envuelto en unacapa de mielina no conductora. Los nodos adyacentes de Ranvier están conectados y la fibra dentro de estas regiones tiene una resistividad axoplásmica,Rhacha, como se ilustra enFigura 62.10. Se supone que la corriente hacia y a través del axón sigue la dirección de las flechas. Usando la ley actual de Kirchoff y realizando un análisis en el nodoNORTE,encontramos (62.18) dyoNORTE-1,norte¼yoiny, norte+ yoN, N +1 que puede manipularse aún más para Ven-1-Ven¼yo Ven-Vyo, n + Rhacha 1 (62.19) Rhacha iny, norte+ V yoiny, norte¼ en-1-Ven V- en-Vyo, n +1 Rhacha en-1-2V Rhacha en+Vyo, n +1V¼ (62.20) Rhacha FIGURA 62.10Una serie de nodos de Ranvier (N) distribuidos espacialmente, conectados a través inyectada. Las flechas indican la dirección (supuesta) del flujo de corriente. Comenzando con el caso en el que el nodo de Ranvier contiene solo una membrana pasiva (un capacitor en paralelo con una resistencia), obtenemos dVyo ¼C Minnesotainy, norte metro dt V Rmetro + Minnesota (62.21) Combinar ecuaciones(62.20)y(62.21), obtenemos - - dVMinnesota 1Ven-1-2Ven+Vyo, n +1 Rhacha V Rmetro ¼ - Minnesota (62.22)dt Cmetro Por convención, el voltaje de la membrana,Vmetro, es igual a la erencia de los voltajes intracelular y extracelular, ViyVmi, respectivamente. Eso es,Vmetro¼Vi-VmiEsto permite Ecuación(62.22)ser reescrito como - dVMinnesota 1VMinnesota-1-2VMinnesota+Vm,N +1 Rhacha ¼dt Cmetro V - V Rmetro + e,n-1-2Ve,n+Vmi,N +1 Rhacha - Minnesota (62.23) de una resistividad axoplásmica. Cada nodo puede tener una corriente estimulante 1028PARTE VIIEl futuro de la lesión del nervio periférico Por lo tanto, el cambio en el voltaje de la membrana con respecto al tiempo en el nodonortese convierte en una función de las corrientes iónicas en el nodonorte así como el voltaje de la membrana en los nodos adyacentes, NORTE-1 yn+1. Debido a que los propios nodos adyacentes dependen del voltaje de la membrana en otros nodos adyacentes, dVMinnesota/dttambién se ve afectado por el voltaje de la membrana en otros nodos. Ecuación(62.23)se puede extender para dar cuenta de una membrana no pasiva que contiene varias corrientes iónicas y de fuga, así como la corriente inyectada a través de un electrodo estimulante: - dVMinnesota 1VMinnesota-1-2VMinnesota+Vm,N +1¼dt Cmetro V Rhacha 2Ve,n+Vmi,N +1-...:gramo+ e,n-1- Rhacha k norte4VdMinnesota-MIkÞ - g 3N / AmhdVMinnesota-MIN / AÞ-gramoLdVMinnesota-MILÞ-yoinyección,NÞ (62.24) Al modelar un axón dentro de un medio conductor y un FIGURA 62.11 modelo de axón partimental en el que la mielina se trató como un perfecto aislante y los nodos de Ranvier se gobernaron por la dinámica de Hodgkin-Huxley. Un potencial de acción se propaga a cada nodo a lo largo de un com- electrodo extracelular, elyoinyeccióntérminos van a cero. Sin embargo, no se puede suponer que el voltaje extracelular sea el mismo valor en todos los nodos. La segunda diferencia restante deVmitérmino forma lo que se conoce como la función activadora,Fnorte Ve,n-1-2Ve,n+Vmi,N +1 Rhacha Fnorte¼ (62.25) Sin embargo, cuando se utilizan electrodos intracelulares, el espacio extracelular se trata como tierra, elVmilos términos desaparecen y elyoinyecciónqueda plazo. Por lo tanto, la comparación de la ecuación(62.24) bajo las dos condiciones se dio cuenta de que el voltaje extracelular se puede convertir en una inyección de corriente intracelular equivalente (Warman, Grill y Durand, 1992). Para modelar tal neurona, se necesitan cinco vectores de longitudN:Vmetro,yoinyección,m, h,ynorteasí como las condiciones inicialesVmetro(0), metro(0),h(0), ynorte(0). Con estos y mediante una técnica de integración numérica, se puede resolver el voltaje de membrana en función del tiempo a lo largo del axón. El resultado de esta simulación se ilustra en Figura 62.11. En este modelo, la dinámica detallada en Ecuaciones(62.9)-(62.17)e ilustrado enFigura 62.5se insertaron en cada nodo de Ranvier. Se consideró que la mielina entre cada nodo era un aislante perfecto y no se modeló ningún espacio periaxonal. El resultado fue un potencial de acción de propagación a lo largo del axón. Otros componentes de los modelos neuronales Debido a que la motivación principal de este capítulo es modelar los nervios periféricos, la mayor parte del texto se ha centrado en modelado de axones dentro de la periferia. Brevemente, ahora dirigimos nuestra atención al modelado de dendritas, somas y entrada sináptica, todo lo cual puede afectar el comportamiento del axón periférico. Cerramos con una discusión sobre el caso especial de los axones bifurcados. dendritas Para modelar la propagación pasiva de los potenciales postsinápticos excitatorios despolarizantes (EPSP) o los potenciales postsinápticos inhibidores hiperpolarizantes (IPSP) que ocurren a lo largo de las dendritas, comenzamos con modelos de membrana pasiva (Figura 62.2) conectados en serie. Al igual que con el axón mielinizado, la corriente puede cruzar la membrana, cargar el condensador de la membrana o viajar longitudinalmente a través del axoplasma. Sin embargo, a diferencia del axón mielinizado, la membrana conductora es continua a lo largo de la dendrita. Como tal, la resistencia de membrana y la capacitancia y la resistencia axoplásmica se representan convencionalmente Modelos informáticos de nervios periféricoscapitulo 621029 on ña como funciones de la unidad de longitud. Cabe señalar las siguientes relaciones: 26) cRC πr2 ðΩmetroÞ hacha Δx d ¼rhacha Ω cmÞRðΩÞ hacha¼ Δx (62. dΩcm2Þ metroR 2πrΔx rðΩcmÞRðΩÞ metro¼ ¼metroΔx (62.27) µF dµFÞ (62.28) seCðμFÞmetro ¼Cmetro cm2 2πrΔx¼Cmetro cm Δx dónderes el radio de la dendrita y ΔXes una pequeña sección a lo largo de la dendrita. Aquí las unidades de componentes resistivos y capacitivos se enumeran en superíndice para ayudar al lector. usando la ecuación(62.23)sin referencia a un nodo específico y Ecuaciones(62.26)-(62.28), y observando que la segunda diferencia se representa ahora como una segunda derivada, podemos llegar a 1 @2Vmetro rhacha@X2 @Vmetro+ @t Vmetro rmetro ¼C (62.29)metro Ecuación(62.29)es conocido como elecuación de cablesy describe la desviación en el voltaje de la membrana de un potencial de reposo en función de la distancia a lo largo del axón,X,y tiempo, t.Históricamente, esta ecuación se deriva del estudio de los cables transatlánticos que corren bajo el océano. El desarrollo de estos cables dio origen a la teoría de cables desarrollada por Thomson, quizás más conocido como Lord Kelvin, quien describió la propagación y decaimiento de las señales en los cables submarinos. A finales del siglo XIX y principios del XX, Hoorweg, Hermann y Cremer comenzaron a aplicar la teoría del cable a la neurociencia después de darse cuenta de que se puede pensar en una neurona como un cable que atraviesa un medio conductor. Definiendo una constante espacial, λ, una constante de tiempo de membrana, τ, e incluyendo el efecto de la función activadora, Ecuación(62.29)se puede refinar a @2Vmetro-τ @X2 @Vmetro-V @t @2Vmi @X2λ2 metro metro¼-λ2 (62.30) dónde rffiffiffiffiffi rmetroλ¼ (62.31) rhacha y τmetro¼rmetroCmetro (62.32) τmetrorepresenta la constante de tiempo de la membrana pasiva y FIGURA 62.12El modelo del circuito de la membrana neural después de insertar una rama para dar cuenta de la activación sináptica. describe qué tan rápidoVmetrocambios en el tiempo. Específicamente, es la cantidad de tiempo que tarda la membrana en alcanzar aproximadamente el 63 % de su valor de estado estable durante una respuesta a una perturbación escalonada. Espacialmente análogo a τ metro, λrepresenta la constante de longitud de la membrana pasiva y describe la rapidez con que laVmetrocambios a lo largo del axón. Ecuación(62.30)se puede implementar de manera similar a la que se mostró para modelar el axón mielinizado. Las soluciones analíticas existen bajo una variedad de condiciones especiales. diciones. Para obtener más información,se dirige al lector a un capítulo completo de Rall (Rall, 1962). Una nota sobre el modelado de somas El soma sirve como un "centro de integración" para el ingreso les dendríticas. El modelo de soma es una extensión natural del modelo de axón utilizando dimensiones más grandes. Las propiedades de la membrana pueden ser exclusivas del soma específico que se está modelando; Safronov, Wolff y Vogel encontraron una capacitancia de membrana de 2 μF/cm2fue en ocasiones óptimo (Safronov, Wolff y Vogel, 2000), pero las técnicas de modelado en sí mismas no difieren de las ya cubiertas. Como tal, no discutimos el modelado de somas en detalle. si Entrada naptica En la sinapsis entre la célula presináptica y postsináptica, los canales activados por ligandos responden al medio químico dentro de la hendidura sináptica. Al igual que con los diferentes canales iónicos en un nodo de Ranvier, la sinapsis se trata como una rama paralela dentro del modelo de circuito representativo (Figura 62.12). En algunos modelos sinápticos,Rsinse trata como constante. Cuando la célula presináptica "activa" la sinapsis, el interruptor del modelo se cierra, lo que permite que la corriente fluya a través de esa rama del circuito. En todos los demás momentos, el interruptor está abierto y no fluye corriente a través de la rama. En modelos un poco más complicados, la conductancia sináptica depende del tiempo. En este caso, GRAMOsin¼gramosinAð Þ, (62.33) dóndegramosines la conductancia sináptica máxima yA)es la función de forma sináptica definida por: tt0mi-τ, τ tt0 Adt¼ (62.34) dóndet0es el momento en que el potencial de acción llega como terminal presináptico. Dependiendo de lo específico 1030PARTE VIIEl futuro de la lesión del nervio periférico neurotransmisor y tipo de canal, el efecto sobre la membrana postsináptica puede ser excitatorio o inhibitorio. Además, si la tasa de decaimiento del efecto sináptico, gobernada por τ, es más lenta que la tasa a la que los potenciales de acción ingresan al botón presináptico, entonces los potenciales postsinápticos pueden sumarse para producir una mayor despolarización o hiperpolarización. En este caso, la ecuación(62.34)puede modificarse para tener en cuenta el tren de potenciales de acción entrantes: Xtti τ tti τAdt¼ mi- (62.35) i dóndeties el tiempo de laipotencial de acción. la( Ecuación(62.34)se puede ajustar para tener en cuenta un tiempo único de subida y bajada. Este modelo de dos τ da como resultado una función de forma sináptica definida por un tiempo de subida, τR, y un tiempo de decaimiento, τD: - - τ τ τD-τR - tt0Adt¼ DR mi τD-mi - tt0 τR (62.36) de Como en el caso de un solo τ, los múltiples potenciales de ét acción se pueden explicar ajustando la ecuación(62.36)a X τ τ iτD-τR - - Adt¼ D R - t- ti - ttiτRmi τD-mi (62.37) El caso especial de los axones bifurcados Entre el soma y el botón sináptico, un axón puede bifurcarse varias veces. Estas bifurcaciones, o puntos de ramificación, pueden ocurrir en cualquier lugar a lo largo de un axón no mielinizado, pero se limitan a los nódulos de Ranvier en los axones mielinizados. Una discusión detallada de los axones bifurcados está más allá del alcance de este capítulo. Sin embargo, debe discutirse el efecto de la bifurcación sobre la propagación del potencial de acción. El potencial de acción que se propaga puede o no transmitirse al axón posterior a la rama ("hija"). Que el potencial de acción se propague o no está intrínsecamente ligado a la dinámica neural en las ramas madre e hija. En axones amielínicos, y suponiendo que la dinámica es idéntica en las ramas madre e hija, se puede calcular una relación geométrica: qffiffiffiffiffiffi d3 qffiffiffiffiffiffi b1+ d3b2 GRAMO¼ qffiffiffiffiffi d3 (62.38) m pags dóndedes el diámetro de la fibra del axón padre,pags,o la primera o la segunda rama,b1 yb2, respectivamente. Teniendo en cuenta que la impedancia de entrada es inversamente proporcional al diámetro de la fibra, GR equivale a la relación de las impedancias de entrada bajo el supuesto de que los cables tienen una longitud semiinfinita. Para GR 1, el potencial de acción se propaga por ambas ramas. Para GR>1 hasta aproximadamente 10, el potencial de acción se propaga pero con cierto retraso. Para GR>10, el potencial de acción se extinguirá. En los axones mielinizados, el concepto de desajuste de impedancia sigue siendo importante, pero no es el único determinante de la propagación del potencial de acción. También es importante el área nodal en el punto de ramificación, la longitud del entrenudo adyacente en las ramas madre e hija y el ancho del espacio periaxonal (Zhou y Chiu, 2001).Goldstein y Rall (1974) proporcionó una explicación detallada y la derivación de la ecuación(62.38). CONSIDERACIONES DE TIEMPO A medida que los modelos del sistema se vuelven más complejos y realistas, el tiempo para calcular las soluciones aumenta significativamente. El costo de tiempo se puede tolerar para un pequeño número de axones. Sin embargo, simular grandes poblaciones de axones o realizar análisis de sensibilidad con una resolución fina s) variable(s) barrida(s) extiende los tiempos de simulación más allá lo que es práctico incluso con técnicas de computación paralela. Por lo general, el modelo más simple que puede responder suficientemente la pregunta es óptimo. Debido a la sobrecarga computacional requerida para simular grandes poblaciones de axones, muchos investigadores han desarrollado otras técnicas que aproximan la activación de los axones sin necesidad de simular la dinámica no lineal del axón. A mediados de la década de 1970, McNeal desarrolló un modelo híbrido en el que los canales no lineales se colocaron solo en los nodos de Ranvier que se esperaba que iniciaran un potencial de acción, dejando todos los demás compartimentos del modelo lineales (Mc Neal, 1976). Sin embargo, la técnica requeridaa priori conocimiento del campo eléctrico extracelular. Una década más tarde, Rattay desarrolló una técnica de aproximación para predecir si un axón se activaba basándose en la segunda diferencia espacial del voltaje extracelular en los nodos de Ranvier.Rattay, 1986). El método de Rattay funcionó mejor al comparar el orden de reclutamiento relativo dentro de una población en lugar de intentar determinar el umbral de activación preciso. En 1990, Sweeney, Ksienski y Mortimer utilizaron un modelo lineal rápido como sustituto de los modelos no lineales más lentos y compararon la salida del modelo con los umbrales determinados a partir de los modelos no lineales para suponer que se produjo la activación (Sweeney, Ksienski y Mortimer, 1990). En 1992, Warman, Grill y Durand publicaron un modelo predictivo odo que explicaba la redistribución de las corrientes internas ( Warman et al., 1992). Esta técnica se basó en modelos lineales y una curva de duración-fuerza generada por un modelo no lineal. La precisión de la aproximación de Warman dependía de la distancia entre el electrodo estimulante y el nodo de Ranvier más cercano (Moffitt, McIntyre y Grill, 2004). En 2011, Peterson, Izad y Tyler publicaron un método que superó algunas de las limitaciones de las aproximaciones anteriores sin dejar de ser rápido (Peterson, Izad y Tyler, 2011). Basado en un método de aproximación desarrollado por Izad, el método de Peterson utiliza una modificación Modelos informáticos de nervios periféricoscapitulo 621031 de la función impulsora en la que se basa Warman y utiliza una suma ponderada de la segunda diferencia espacial en cada nodo de Ranvier. Todos los algoritmos acelerados tienen limitaciones. Antes de usar un algoritmo dado, es importante asegurarse de que su uso sea apropiado para el problema que se investiga. FIGURA 62.13 desarrollo de modelos de población neural del nervio ciático humano (b). En estas simulaciones, los autores intentaron determinar la capacidad de un electrodo extraneural (no mostrado) para activar selectivamenteaxones en uno de 10 grupos particulares de fascículos. A través de una serie de simulaciones de Monte Carlo, El nervio ciático humano (a) sirvió como plantilla para el el número de grupos fasciculares y los fascículos asignados a cada grupo fueron variados.Adaptado deSchiefer et al. (2012). EXTENSIONES DEL MODELO DE AXÓN ÚNICO: CONDUCTORES DE VOLUMEN Y POBLACIONES DE AXONES Cuando la respuesta de un axón a la estimulación eléctrica extracelular es de interés, debe determinarse la distribución de potencial (voltaje) dentro de un conductor de volumen. La representación más simple del conductor de volumen es la de un medio isotrópico homogéneo en el que la fuente de estimulación está a una distancia suficientemente alejada del axón como para representar la fuente como una fuente puntual. En tales casos, el voltaje en cada nodo de Ranvier y a lo largo de cada entrenudo se puede calcular mediante la ecuación yo 4πσDV¼ (62.39) donde σ es la conductividad del medio yDes la distancia desde la fuente puntual hasta la ubicación de interés a lo largo del axón. Existen ecuaciones alternativas para describir el voltaje asociado con un electrodo de disco, así como cuando el medio no satisface los supuestos de homogeneidad e isotropía, como cuando un electrodo está en la superficie de la piel. Por lo general, a medida que los modelos se vuelven más complicados e incorporan más tejidos con conductancias diferentes, los investigadores recurren al método de elementos finitos (FEM) o modelos de análisis (FEA). Las técnicas descritas anteriormente pueden ampliarse para simular poblaciones de axones, como las que se encontrarían al estimular eléctricamente o registrar desde un nervio periférico. En estos casos, cada axón normalmente se trata de forma independiente con la suposición subyacente de que ningún axón afecta directamente la reacción de cualquier otro axón a la estimulación eléctrica. Con la mejora continua en el poder de cómputo y el acceso a los clústeres de computadoras, algunos investigadores han desarrollado modelos de población multifasciculados, 3D y de nervio completo. Aunque la mayoría de estos estudios han simplificado la geometría fascicular, asumiendo que los fascículos tienen el mismo tamaño y una distribución uniforme, algunos estudios han basado el modelo de nervio en secciones transversales histológicas tomadas del nervio que se está modelando. En 2012, Schiefer, Tyler,Schiefer, Tyler y Triolo, 2012). En ese trabajo, los autores utilizaron secciones transversales de un nervio ciático humano para crear un modelo FEM 3D, que sirvió como base para una serie de simulaciones Monte Carlo ( Figura 62.13). El 1.3 1012Las simulaciones utilizaron el método de aproximación de Peterson, Izad y Tyler y sirvió para determinar la mejor manera de estimular eléctricamente el nervio para restaurar la función perdida en una población de personas paralizadas. PAQUETES DE PROGRAMAS Existen múltiples paquetes de software para simular canales iónicos, axones individuales, redes de axones, poblaciones de axones y conductores de volumen. NEURON es un software gratuito diseñado específicamente para modelar la dinámica de los axones y es fácilmente adaptable para facilitar la adición o manipulación de canales iónicos. El Instituto de Imágenes y Computación Científica (SCI) de la Universidad de Utah también ha lanzado un software para simular las respuestas de las neuronas a la estimulación eléctrica. Por supuesto, estos modelos también se pueden desarrollar en lenguajes de programación como C/ C++, Octave y MATLAB. Neurocal es un paquete de modelado basado en MATLAB disponible gratuitamente en Mathworks File Exchange. Aunque existen numerosos paquetes de elementos finitos, muchos no pueden manejar la complejidad de la mayoría de los modelos neuronales. Las excepciones incluyen SCIRun, Comsol y Ansys (anteriormente Ansoft). Un buen lugar para buscar modelos alternativos es el Proyecto SenseLab organizado por la Universidad de Yale. El sitio contiene una base de datos modelo que contiene numerosos modelos neuronales, incluidos axones motores, interneuronas espinales, neuronas sensoriales y una serie de neuronas corticales. Los modelos incluyen neuronas conectadas a través de uniones sinápticas y gap. El usuario también puede encontrar modelos para una amplia gama de corrientes iónicas. 1032PARTE VIIEl futuro de la lesión del nervio periférico REFERENCIAS Abbott, L., 1999. Introducción de Lapicque del modelo de integrar y disparar neurona (1907). Boletín de investigación del cerebro 50 (5–6), 303–304. Awiszus, F., 1990. Efectos de la permeabilidad del potasio paranodal en la repetición actividad activa de modelos de fibras nerviosas mielinizadas de mamíferos. Cibernética biológica 64, 69–76. Berthold, CH, Nilsson, I., Rydmark, M., 1983. Diámetro del axón y mielina espesor de la vaina en las fibras nerviosas de la raíz espinal ventral del séptimo nervio lumbar del gato adulto y en desarrollo. Revista de anatomía 136 (Pt 3), 483–508. Berthold, CH, Rydmark, M., 1983. Electrofisiología y morfología de fibras nerviosas mielinizadas. VI. Anatomía de la región paranodo-nodo- paranodo en el gato. Experientia 39 (9), 964–976. Blight, AR, 1985. Simulación por computadora y potenciales posteriores en axones: El caso de una vaina de mielina de menor resistencia. Neurociencia 15 (1), 13–31. FitzHugh, R., 1962. Cálculo de iniciación de impulso y con- ducción en una fibra nerviosa mielinizada. Revista biofísica 2, 11–21. Frakenhaeuser, B., Huxley, AF, 1964. El potencial de acción en el mye- fibra nerviosa delineada de Xenopus laeviscalculado sobre la base de los datos de la pinza de tensión. El Diario de Fisiología 171, 302–315. Goldstein, SS, Rall, W., 1974. Cambios en la forma del potencial de acción y velocidad para cambiar la geometría del conductor del núcleo. Revista biofísica 14 (10), 731–757. Halter, JA, Clark, JW, 1991. Un modelo de parámetros distribuidos del mye- fibra nerviosa alineada. Revista de Biología Teórica 148, 345–382. Hille, B., 2001. Canales iónicos de membranas excitables, 3.ª ed. Asociación Sinauer ciates Inc., Sunderland, MA.pags. 814. Hodgkin, AL, Huxley, AF, 1945. Potenciales de reposo y de acción en un solo fibras nerviosas. El Diario de Fisiología 104, 176–195. Hodgkin, AL, Huxley, AF, 1946. Pérdida de potasio de un activo fibra nerviosa Naturaleza 158, 376. Hodgkin, AL, Huxley, AF, 1947. Pérdida de potasio de un activo fibra nerviosa El Diario de Fisiología 106 (3), 341–367. Hodgkin, AL, Huxley, AF, 1952a. Una descripción cuantitativa de los miembros brana actual y su aplicación a la conducción y excitación en el nervio. El Diario de Fisiología 117, 500–544. Hodgkin, AL, Huxley, AF, 1952b. Corrientes transportadas por sodio y iones de potasio a través de la membrana del axón gigante de Loligo. El Diario de Fisiología 116, 449–472. Hodgkin, AL, Huxley, AF, 1952c. Movimiento de sodio y potasio. iones durante la actividad nerviosa. Simposio de Cold Spring Harbor sobre biología cuantitativa 17, 43–52. Hodgkin, AL, Huxley, AF, 1952d. Propagación de señales eléctricas a lo largo Fibras nerviosas gigantes. Actas de la Royal Society de Londres. Serie B, que contiene documentos de carácter biológico 140 (899), 177–183. Hodgkin, AL, Huxley, AF, 1952e. Los componentes de la membrana contienen ductancia en el axón gigante deLoligo.El Diario de Fisiología 116, 473–496. Hodgkin, AL, Huxley, AF, 1952f. El doble efecto del potencial de membrana sobre la conductancia de sodio en el axón gigante deLoligo.El Diario de Fisiología 116, 497–506. Hodgkin, AL, Huxley, AF, 1953. Movimiento de potasio radiactivo y corriente de membrana en un axón gigante. El Diario de Fisiología 121, 403–414. Hodgkin, AL, Huxley, AF, Katz, B., 1952. Medición de corriente- relaciones de voltaje en la membrana del axón gigante deLoligo.El Diario de Fisiología 116, 424–448. Koch, C., 2004. Biofísica de la computación: procesamientode información en neuronas individuales. Prensa de la Universidad de Oxford, Nueva York. McIntyre, CC, Richardson, AG, Grill, WM, Intyre, CCMC, 2002. Modelado de la excitabilidad de las fibras nerviosas de mamíferos: Influencia de los potenciales posteriores en el ciclo de recuperación. Revista de neurofisiología 87, 995– 1006. McNeal, DR, 1976. Análisis de un modelo para la excitación de mielinizado nervio. IEEE Transactions on Biomedical Engineering 23 (4), 329–337. Moffitt, MA, McIntyre, CC, Grill, WM, 2004. Predicción de mielinización Umbrales de estimulación de fibras nerviosas: limitaciones de los modelos lineales. IEEE Transactions on Biomedical Engineering 51 (2), 229–236. Nilsson, I., Berthold, CH, 1988. Clases de axones y crecimiento internodal en el raíz espinal ventral L7 de gatos adultos y en desarrollo. Revista de anatomía 156, 71–96. Peterson, EJ, Izad, O., Tyler, DJ, 2011. Predicción de la activación del axón mielinizado vación usando características espaciales del campo extracelular. Revista de Ingeniería Neural 8 (4), 1–23. Rall, W., 1962. Electrofisiología de un modelo de neurona dendrítica. Bio- Revista física 2 (2 Pt 2), 145–167. Rattay, F., 1986. Análisis de modelos para estimulación externa de axones. Transacciones IEEE sobre ingeniería biomédica 33 (10), 974–977. Richardson, AG, McIntyre, CC, Grill, WM, 2000. Modelado de los efectos de campos eléctricos sobre las fibras nerviosas: Influencia de la vaina de mielina. Ingeniería médica y biológica y computación 38 (4), 438–446. Rydmark, M., 1981. El diámetro del axón nodal se correlaciona linealmente con diámetro del axón internodal en las raíces espinales del gato. Cartas de neurociencia 24 (3), 247–250. Rydmark, M., Berthold, CH, 1983. Sección serial microscópica electrónica análisis de nódulos de Ranvier en raíces espinales lumbares del gato: Un estudio morfométrico de compartimentos ganglionares en fibras de diferentes tamaños. Revista de neurocitología 12 (4), 537–565. Safronov, BV, Wolff, M., Vogel, W., 2000. Excitabilidad del soma en neuronas del sistema nervioso central. Revista biofísica 78 (6), 2998–3010. Schiefer, MA, Tyler, DJ, Triolo, RJ, 2012. Modelado probabilístico de estimulación selectiva del nervio ciático humano con un electrodo nervioso de interfaz plana. Revista de Neurociencia Computacional 33 (1), 179–190. Stephanova, DI, Bostock, H., 1995. Un modelo de parámetros distribuidos de la Fibra nerviosa motora humana mielinizada: Distribuciones temporales y espaciales de potenciales de acción y corrientes iónicas. Cibernética biológica 73, 275–280. Sweeney, JD, Ksienski, DA, Mortimer, JT, 1990. Una técnica de manguito nervioso único para la excitación selectiva de las regiones del tronco nervioso periférico. Transacciones IEEE sobre ingeniería biomédica 37 (7), 706–715. Warman, EN, Grill, WM, Durand, D., 1992. Modelado de los efectos de campos eléctricos sobre fibras nerviosas: Determinación de umbrales de excitación. Transacciones IEEE sobre ingeniería biomédica 39 (12), 1244–1254. Zhou, L., Chiu, SY, 2001. Modelo informático para la propagación del potencial de acción gación a través del punto de ramificación en los nervios mielinizados. Revista de neurofisiología 85, 197–210. http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0010 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0010 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0015 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0015 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0015 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0020 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0020 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0020 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0020 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0025 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0025 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0025 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0030 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0030 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0035 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0035 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0040 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0040 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0040 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0045 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0045 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0045 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0050 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0050 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0055 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0055 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0060 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0060 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0065 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0065 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0070 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0070 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0075 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0075 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0075 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0080 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0080 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0080 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0085 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0085 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0085 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0090 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0090 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0090 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0095 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0095 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0095 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0100 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0100 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0100 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0105 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0105 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0105 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0110 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0110 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0110 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0115 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0115 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0120 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0120 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0120 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0120 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0125 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0125 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0130 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0130 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0130 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0135 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0135 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0135 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0140 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0140 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0140 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0145 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0145 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0145 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0150 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0150 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0155http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0155 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0155 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0160 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0160 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0160 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0165 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0165 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0165 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0165 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0170 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0170 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0170 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0175 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0175 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0175 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0175 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0180 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0180 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0180 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0180 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0185 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0185 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0185 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0190 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0190 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0190 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0190 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0195 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0195 http://refhub.elsevier.com/B978-0-12-802653-3.00111-1/rf0195 Computer Models of Peripheral Nerves Introduction The Neural Membrane, Ions, and Transmembrane Channels Types of Neuron Models The Integrate-And-Fire Model The Hodgkin-Huxley Node of Ranvier Model Accounting for Myelination Assembling the Compartments Modeling the Motor Axon Other Components of Neural Models Dendrites A Note on Modeling Somas Synaptic Input The Special Case of Bifurcating Axons Time Considerations Extensions of the Single Axon Model: Volume Conductors and Populations of Axons Software Packages References
Compartir