L. Fregimus Vacerro (fregimus) wrote,
L. Fregimus Vacerro
fregimus

Учебник по моделированию нервной системы.

Sterratt D, Graham B, Gillies A, Willshaw D. (2011) Principles of computational modelling in neuroscience. Cambridge U. Pr.
Англ., 406 стр. Библиография ок. 750 назв.

Глубокое моделирование различных аспектов нервной системы. Можно читать и как учебник, и как справочник. Интересно, конечно, только специалистам, но вообще я бы рекомендовал интересующимся просто пролистать ее за час. Дело в том, что, как я заметил, у очень многих в голове складывается такая картина, будто нейрон — это такой взвешенный сумматор входных сигналов с неожиданным сигмоидом посередине. Именно таковы «нейроны» в вычислительных нейронных сетях, но к реальным нейронам такое поведение имеет отношение только на самом грубом уровне. Книга поможет понять, насколько велика пропасть между этим грубым приближением и известными электрохимическими процессами в живых клетках.

Математика и физика дается на уровне инженера-электроника. Например, закон Ома и интегралы-производные знать надо, а уравнение линии передачи в книге разъясняется. Написана и оформлена книга великолепно, текст ясный, иллюстрации ровно там, где надо. Мне кажется, что понятна она была бы всякому человеку со школьным образованием, хоть, конечно, предмет слишком узок для общего интереса.

Две трети основного текста книги посвящено моделированию различных аспектов нейрона и синапса (глл. 2—8), гл. 9 — сетям нейронов и гл. 10 — моделям роста и развития нервной системы.

Полистать дают в Гуголе книг.

Целиком видал тут.. Если будете искать — кое-где год указан неверно: 2008 вместо 2011.

Chapter 1 Introduction 1
1.1 What is this book about? 1
1.2 Overview of the book 9
Chapter 2 The basis of electrical activity in the neuron 13
2.1 The neuronal membrane 14
2.2 Physical basis of ion movement in neurons 16
2.3 The resting membrane potential: the Nernst equation 22
2.4 Membrane ionic currents not at equilibrium: the Goldman–Hodgkin–Katz equations 25
2.5 The capacitive current 30
2.6 The equivalent electrical circuit of a patch of membrane 30
2.7 Modelling permeable properties in practice 35
2.8 The equivalent electrical circuit of a length of passive membrane 36
2.9 The cable equation 39
2.10 Summary 45
Chapter 3 The Hodgkin–Huxley model of the action potential 47
3.1 The action potential 47
3.2 The development of the model 50
3.3 Simulating action potentials 60
3.4 The effect of temperature 64
3.5 Building models using the Hodgkin–Huxley formalism 65
3.6 Summary 71
Chapter 4 Compartmental models 72
4.1 Modelling the spatially distributed neuron 72
4.2 Constructing a multi-compartmental model 73
4.3 Using real neuron morphology 77
4.4 Determining passive properties 83
4.5 Parameter estimation 87
4.6 Adding active channels 93
4.7 Summary 95
Chapter 5 Models of active ion channels 96
5.1 Ion channel structure and function 97
5.2 Ion channel nomenclature 99
5.3 Experimental techniques 103
5.4 Modelling ensembles of voltage-gated ion channels 105
5.5 Markov models of ion channels 110
5.6 Modelling ligand-gated channels 115
5.7 Modelling single channel data 118
5.8 The transition state theory approach to rate coefficients 124
5.9 Ion channel modelling in theory and practice 131
5.10 Summary 132
Chapter 6 Intracellular mechanisms 133
6.1 Ionic concentrations and electrical response 133
6.2 Intracellular signalling pathways 134
6.3 Modelling intracellular calcium 137
6.4 Transmembrane fluxes 138
6.5 Calcium stores 140
6.6 Calcium diffusion 143
6.7 Calcium buffering 151
6.8 Complex intracellular signalling pathways 159
6.9 Stochastic models 163
6.10 Spatial modelling 169
6.11 Summary 170
Chapter 7 The synapse 172
7.1 Synaptic input 172
7.2 The postsynaptic response 173
7.3 Presynaptic neurotransmitter release 179
7.4 Complete synaptic models 187
7.5 Long-lasting synaptic plasticity 189
7.6 Detailed modelling of synaptic components 191
7.7 Gap junctions 192
7.8 Summary 194
Chapter 8 Simplified models of neurons 196
8.1 Reduced compartmental models 198
8.2 Integrate-and-fire neurons 204
8.3 Making integrate-and-fire neurons more realistic 211
8.4 Spike-response model neurons 218
8.5 Rate-based models 220
8.6 Summary 224
Chapter 9 Networks of neurons 226
9.1 Network design and construction 227
9.2 Schematic networks: the associative memory 233
9.3 Networks of simplified spiking neurons 243
9.4 Networks of conductance-based neurons 251
9.5 Large-scale thalamocortical models 254
9.6 Modelling the neurophysiology of deep brain stimulation 259
9.7 Summary 265
Chapter 10 The development of the nervous system 267
10.1 The scope of developmental computational neuroscience 267
10.2 Development of nerve cell morphology 269
10.3 Development of cell physiology 279
10.4 Development of nerve cell patterning 280
10.5 Development of patterns of ocular dominance 284
10.6 Development of connections between nerve and muscle 286
10.7 Development of retinotopic maps 294
10.8 Summary 312
Chapter 11 Farewell 314
11.1 The development of computational modelling in neuroscience 314
11.2 The future of computational neuroscience 315
11.3 And finally. . . 318
Appendix A Resources 319
A.1 Simulators 319
A.2 Databases 324
A.3 General-purpose mathematical software 326
Appendix B Mathematical methods 328
B.1 Numerical integration methods 328
B.2 Dynamical systems theory 333
B.3 Common probability distributions 341
B.4 Parameter estimation 346
Tags: brain, cs
Subscribe
  • Post a new comment

    Error

    Anonymous comments are disabled in this journal

    default userpic
  • 29 comments