Analiza danych i modelowanie struktury i plastyczności synaps w kontekście uczenia i pamięci

Od czasów odkrycia przez Ramona Cajala kolców dendrytycznych, będących główną częścią synaps pobudzających, naukowcy nieustannie starają się zrozumieć ich funkcję i jej związek z rozmiarami i kształtem kolców. Wiadomo, że kolce stanowią tzw. magazyn pamięci oraz odpowiadają za transmisję sygnału pobudzającego między neuronami. Nie jest jasne natomiast, jaki jest związek między kształtem kolców a pełnioną przez nie funkcją. Na ten temat istnieje wiele teorii i paradygmatów, np. paradygmat mówiący, że uczenie związane jest ze zmianą kształtu i rozmiaru kolców. W mojej pracy doktorskiej odnoszę się do tego podstawowego paradygmatu i próbuję odpowiedzieć na następujące zagadnienia: które parametry kolców są istotne i których metod należy używać do ich klasyfikacji morfologicznej; w których zmiennych strukturalnych kolców zakodowana jest maksymalna informacja związana z pamięcią; oraz jak wykorzystać analizę strukturalną kolców dendrytycznych do modelowania dynamiki interakcji pomiędzy nimi i jakie z tego płyną wnioski. Stwierdziłam, że ukryte łańcuchy Markowa (bez modelu autoregresyjnego lub z nim) są metodami, które można wykorzystać do sprawdzenia wyboru klasyfikacji kolców przez różne dostępne oprogramowania. Ponadto ustaliłam, które rozkłady strukturalne kolców przechowują najwięcej zakodowanej informacji i czy taka ilość jest optymalna. Na koniec analizowałam dynamiczny fizyczny model, badający ilość kodowanej informacji w kolcach i jej koszt energetyczny, częściowo w oparciu o dane z wcześniejszej analizy. Symulacje tego modelu pozwoliły odpowiedzieć na pytania: w jaki sposób kooperatywność (korelacja między sąsiednimi kolcami) wpływa na kodowaną informację, jej efektywność energetyczną oraz czy ta informacja jest w jakikolwiek sposób maksymalizowana.

Since the discovery of dendritic spines (the main part of excitatory synapses) by Ramon Cajal, scientist have been constantly trying to understand their function and it’s relation to spine size and shape. It is known that dendritic spines constitute a so-called „memory store” and are responsible for the transmission of excitatory signals between neurons. The relationship between the shape of the dendritic spines and the function they perform, however, remains unclear. Many theories and paradigms exist on the subject, including the paradigm that learning relates to changes in the shape and size of the dendritic spines. In my dissertation, I wanted to address this basic paradigm and tried to answer questions such as which dendritic spines parameters are important and which methods should be used, for their morphological classification, in which dendritic spines distributions the maximum information is encoded related to memory, and how structural analysis of dendritic spines can be used to model the dynamics of interactions between them and what can be deduced from this. I was able to establish that hidden Markov chains, without or with an autoregressive model, are the methods that can be used to check the selection of dendritic spines classifications by the various available software. Also, it was possible to determine which structural distributions of spine size store the most information and whether this is the optimal amount. Finally, a dynamical physical model was analyzed to examine the amount of encoded information in dendritic spines and its energy cost, based in part on the data from earlier analysis. Simulations of this model helped to answer questions like: how cooperativity (correlation between neighboring dendritic spines) affects the encoded information, its energy efficiency, and whether this information is somehow maximized.