This work of thesis presents the scientific and methodological process that underpin the development of mathematical models of neurons and brain circuits. Employing the methodological approach of computational neuroscience, the research activity, in particular, was focused on the refinement of various modeling strategies spanning multiple spatio-temporal scales and managing different levels of complexity. The results emphasize the importance of computational tools not only in expanding the knowledge about the functioning of neural circuits but also for the development of novel engineering applications. This work demonstrates how computational neuroscience, driven by experimental data, promotes both scientific and technological advancements. The modeling of brain activity was firstly addressed at the scale of single neurons, where a biologically realistic model based on Hodgkin-Huxley modeling strategy was used to study the dynamics of excitability and neural plasticity in detail. Subsequently, large-scale spiking microcircuits were modeled exploiting "integrate and fire" neuron models. These models aimed at creating digital twins of extended brain regions. When appropriately calibrated with experimental data, these computational tools allow exploration of physiological and pathological conditions that are not experimentally testable, providing an innovative digital tool against nervous system diseases. Finally, in an abstraction process based on theoretical neuroscience, we employed individual inferential neurons to replicate the functionality of extended networks with a limited number of computational elements with the aim of developing energy-efficient neuromorphic microprocessors. This research accentuates the profound interconnection between theoretical models, computational methodologies, and empirical investigations. It emphasizes the importance of an effective interchange between experimental data collection and the modelling process, a synergy that has always been fundamental to scientific research and neurophysiology. Moreover, it suggests the importance of applying this knowledge to the development of innovative technologies inspired by the efficiency and robustness of the brain's computational mechanisms.
Il presente lavoro di tesi intende descrivere il processo scientifico e metodologico che ha portato allo sviluppo di modelli matematici di neurone e di circuiti cerebrali sfruttando l’approccio metodologico delle neuroscienze computazionali. L’attività di ricerca, in particolare, ha riguardato la messa a punto di varie strategie di modellizzazione abbracciando molteplici scale spazio-temporali su diversi livelli di complessità. I risultati di questa attività scientifica sottolineano l'importanza degli strumenti computazionali da un lato nel processo di comprensione del funzionamento dei circuiti neurali e dall’altro per lo sviluppo di applicazioni ingegneristiche innovative. In questo lavoro intendo infatti mostrare come, utilizzando dati sperimentali, le neuroscienze computazionali favoriscano il progresso scientifico e tecnologico. Il processo di modellizzazione è stato affrontato partendo dal livello di scala del singolo neurone in cui un modello biologicamente realistico basato sulla modellizzazione di Hodgkin-Huxley è stato utilizzato per studiare dettagliatamente le dinamiche dell’eccitabilità e della plasticità neuronale. Sono stati poi modellizzati microcircuiti spiking su larga scala basati su singoli neuroni del tipo “integrate and fire” in quanto possono essere utilizzati per la generazione di gemelli digitali (digital twins) di regioni cerebrali estese. Se opportunamente calibrati su dati sperimentali, questi strumenti computazionali consentono di esplorare condizioni fisiologiche e patologiche non testabili sperimentalmente, offrendo uno strumento digitale innovativo contro le patologie a carico del sistema nervoso. Infine, in un processo di astrazione basato sulle neuroscienze teoriche, singoli neuroni inferenziali sono stati utilizzati per riprodurre la funzionalità di reti estese con un numero limitato di elementi computazionali al fine di sviluppare microprocessori neuromorfi ad elevata efficienza energetica. Sottolineando la profonda interconnessione tra modelli teorici, computazionali ed indagini sperimentali, questa ricerca evidenzia l’importanza di una efficace collaborazione tra la raccolta di dati sperimentali ed il processo di modellizzazione che da sempre è alla base della ricerca scientifica ed ha sempre accompagnato e assistito la neurofisiologia. Inoltre, suggerisce l'importanza dello sviluppo di tecnologie innovative che traggano ispirazione dall'efficienza e dalla robustezza dei meccanismi computazionali del cervello.
Modellizzazione computazionale dell'attività cerebrale: dai singoli neuroni ai circuiti su larga scala
BOIANI, GIULIA MARIA
2024
Abstract
This work of thesis presents the scientific and methodological process that underpin the development of mathematical models of neurons and brain circuits. Employing the methodological approach of computational neuroscience, the research activity, in particular, was focused on the refinement of various modeling strategies spanning multiple spatio-temporal scales and managing different levels of complexity. The results emphasize the importance of computational tools not only in expanding the knowledge about the functioning of neural circuits but also for the development of novel engineering applications. This work demonstrates how computational neuroscience, driven by experimental data, promotes both scientific and technological advancements. The modeling of brain activity was firstly addressed at the scale of single neurons, where a biologically realistic model based on Hodgkin-Huxley modeling strategy was used to study the dynamics of excitability and neural plasticity in detail. Subsequently, large-scale spiking microcircuits were modeled exploiting "integrate and fire" neuron models. These models aimed at creating digital twins of extended brain regions. When appropriately calibrated with experimental data, these computational tools allow exploration of physiological and pathological conditions that are not experimentally testable, providing an innovative digital tool against nervous system diseases. Finally, in an abstraction process based on theoretical neuroscience, we employed individual inferential neurons to replicate the functionality of extended networks with a limited number of computational elements with the aim of developing energy-efficient neuromorphic microprocessors. This research accentuates the profound interconnection between theoretical models, computational methodologies, and empirical investigations. It emphasizes the importance of an effective interchange between experimental data collection and the modelling process, a synergy that has always been fundamental to scientific research and neurophysiology. Moreover, it suggests the importance of applying this knowledge to the development of innovative technologies inspired by the efficiency and robustness of the brain's computational mechanisms.File | Dimensione | Formato | |
---|---|---|---|
PhD_Thesis_Boiani.pdf
embargo fino al 07/11/2025
Dimensione
23.97 MB
Formato
Adobe PDF
|
23.97 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14242/80335
URN:NBN:IT:UNIMORE-80335