HC Aantekeningen Leren en Geheugen –
Week 3
https://quizlet.com/Annabel2703/folders/leren-en-geheugen/sets
Inhoud
College 8: Computational Models 1................................................................................................................................. 2
College 9: Codering van geheugen................................................................................................................................. 10
College 10: Emotioneel geheugen ................................................................................................................................. 18
,College 8: Computational Models 1
❖ Why computational models? Isn’t neuroscience complicated enough already?
o Neuroscience is een breed veld, er zijn nog veel dingen te leren, meerdere
perspectieven
▪ Lees de reading material!
▪ Korte opinie paper
▪ Geschreven door een van de founders van
computational neuroscience
▪ herhalende neurale patronen
(kauwen/locomotie) bestuderen in simepele
dieren bv kreeften
▪ gezien: wanneer neuronen aan elkaar connecten -> they slow themselves down.
Neuron apart nemen -> neuron wordt sneller
▪ Neuron kan worden gestimuleerd als oscillator. Die kun je koppelen
▪ Conclusie: model deed het tegenovergestelde -> eerste reactie is ‘het model is
verkeerd’, representeert niet de realiteit. Bleek naar een ander gen te kijken?
▪ Kan blijkbaar beide: neuron kan langzamer worden wanneer disconnected, maar kan
ook versnellen. Hangt af van een paar parameters. Hypothese verbeteren.
o The goal of computational models is to make our life easier: we can easily test a hypothesis in
a system that is way less complicated than the real brain.
▪ daarna weer kijken in echte brein
▪ simuleert soms maar een subset neuronen
• vooral voor autonome repetitieve activiteit nuttig
▪ soms worden bepaalde dendrieten niet meegenomen
• gesimplificeerd omdat ze aannnemen dat die maar een kleine rol hebben voor
de vraag die ze onderzoeken
• aanname moet later wel getest worden
o If the hypothesis has a red flag, we’ll see it quickly without having to go all the way in the
training/surgery/recording/analysis cycle. They can also help us to spot things that we missed
from the data, and refine our experimental design.
o Computational models are especially useful for learning: we can include only the
details/activity that we think it’s relevant for the learning process of interest, and study their
effect in isolation from other factors.
▪ kunstmatige intelligentie
▪ plasticiteit onderzoeken in simpel klein circuit
Types of computational models
❖ From a methodological point of view, computational models in neuroscience come from different
mathematical branches (er zijn verschillende manieren om classificaties te maken):
o The statistical approach (for example, Bayesian neural models).
▪ nuttig om perceptie te begrijpen, hoe neuronen adapteren en voorspellen
o The computer science approach (such as artificial neural networks, computer vision,...).
▪ kan o.a. engineering approach, gewoon leren van het brein en dan je eigen ding doen ->
verder niets te maken met het brein
▪ maar kan ook andersom: neural networks, image classification
o The biophysical approach (such as biophysical models of neurons, tools coming from physics
and complex systems science).
▪ modelling van biologische en biofysische aspecen van the brein, niet alleen
computionele aspecten, bv neuronen namaken, realistische connectiviteit,
verschillende celtypes
, o
Models of neurons
❖ Refreshing: the Hodgkin-Huxley model
o Alan Lloyd Hodgkin
o Andrew Fielding Huxley
o Nobel prize for physiology in 1963 (enige nobelrijs voor
computationele neurobiologie die er tot nu toe is)
o Keken naar eigenschappen van neuronen om
actiepotentialen te genereren
o Electrophysiological recordings of the giant squid axon.
o Biophysical model of AP generation.
o Model includes sodium and potassium channels, each
controlled by 4 voltage-dependent subunits.
o worden niet gevraagd op het examen!
o basically een collectie van differentiaalvergelijkingen, dus met afgeleiden aan een van de
kanten, die afgeleide kan ons vertelen hoe de variabele (bv membraanpotentiaal) verandert
met de tijd. parameters beinvloeden elkaar. kun je plotten.
o Time course of events:
▪ 1)Initial depolarization
needed
▪ 2)Na+channels open
▪ 3)They depolarize the
membrane further
▪ 4)More Na+channels open
àmore depolarization
(positive feedback loop!)
▪ 5)K+channels start to open:
repolarizing effect
▪ 6)Na+channels inactivate
• -> beide effecten
tegengesteld aan
wat hiervoor was
Week 3
https://quizlet.com/Annabel2703/folders/leren-en-geheugen/sets
Inhoud
College 8: Computational Models 1................................................................................................................................. 2
College 9: Codering van geheugen................................................................................................................................. 10
College 10: Emotioneel geheugen ................................................................................................................................. 18
,College 8: Computational Models 1
❖ Why computational models? Isn’t neuroscience complicated enough already?
o Neuroscience is een breed veld, er zijn nog veel dingen te leren, meerdere
perspectieven
▪ Lees de reading material!
▪ Korte opinie paper
▪ Geschreven door een van de founders van
computational neuroscience
▪ herhalende neurale patronen
(kauwen/locomotie) bestuderen in simepele
dieren bv kreeften
▪ gezien: wanneer neuronen aan elkaar connecten -> they slow themselves down.
Neuron apart nemen -> neuron wordt sneller
▪ Neuron kan worden gestimuleerd als oscillator. Die kun je koppelen
▪ Conclusie: model deed het tegenovergestelde -> eerste reactie is ‘het model is
verkeerd’, representeert niet de realiteit. Bleek naar een ander gen te kijken?
▪ Kan blijkbaar beide: neuron kan langzamer worden wanneer disconnected, maar kan
ook versnellen. Hangt af van een paar parameters. Hypothese verbeteren.
o The goal of computational models is to make our life easier: we can easily test a hypothesis in
a system that is way less complicated than the real brain.
▪ daarna weer kijken in echte brein
▪ simuleert soms maar een subset neuronen
• vooral voor autonome repetitieve activiteit nuttig
▪ soms worden bepaalde dendrieten niet meegenomen
• gesimplificeerd omdat ze aannnemen dat die maar een kleine rol hebben voor
de vraag die ze onderzoeken
• aanname moet later wel getest worden
o If the hypothesis has a red flag, we’ll see it quickly without having to go all the way in the
training/surgery/recording/analysis cycle. They can also help us to spot things that we missed
from the data, and refine our experimental design.
o Computational models are especially useful for learning: we can include only the
details/activity that we think it’s relevant for the learning process of interest, and study their
effect in isolation from other factors.
▪ kunstmatige intelligentie
▪ plasticiteit onderzoeken in simpel klein circuit
Types of computational models
❖ From a methodological point of view, computational models in neuroscience come from different
mathematical branches (er zijn verschillende manieren om classificaties te maken):
o The statistical approach (for example, Bayesian neural models).
▪ nuttig om perceptie te begrijpen, hoe neuronen adapteren en voorspellen
o The computer science approach (such as artificial neural networks, computer vision,...).
▪ kan o.a. engineering approach, gewoon leren van het brein en dan je eigen ding doen ->
verder niets te maken met het brein
▪ maar kan ook andersom: neural networks, image classification
o The biophysical approach (such as biophysical models of neurons, tools coming from physics
and complex systems science).
▪ modelling van biologische en biofysische aspecen van the brein, niet alleen
computionele aspecten, bv neuronen namaken, realistische connectiviteit,
verschillende celtypes
, o
Models of neurons
❖ Refreshing: the Hodgkin-Huxley model
o Alan Lloyd Hodgkin
o Andrew Fielding Huxley
o Nobel prize for physiology in 1963 (enige nobelrijs voor
computationele neurobiologie die er tot nu toe is)
o Keken naar eigenschappen van neuronen om
actiepotentialen te genereren
o Electrophysiological recordings of the giant squid axon.
o Biophysical model of AP generation.
o Model includes sodium and potassium channels, each
controlled by 4 voltage-dependent subunits.
o worden niet gevraagd op het examen!
o basically een collectie van differentiaalvergelijkingen, dus met afgeleiden aan een van de
kanten, die afgeleide kan ons vertelen hoe de variabele (bv membraanpotentiaal) verandert
met de tijd. parameters beinvloeden elkaar. kun je plotten.
o Time course of events:
▪ 1)Initial depolarization
needed
▪ 2)Na+channels open
▪ 3)They depolarize the
membrane further
▪ 4)More Na+channels open
àmore depolarization
(positive feedback loop!)
▪ 5)K+channels start to open:
repolarizing effect
▪ 6)Na+channels inactivate
• -> beide effecten
tegengesteld aan
wat hiervoor was
