Métodos matemáticos para estudiar el procesamientode la información en la retina

Resumen

En esta tesis doctoral hemos utilizado diversos métodos matemáticos para estudiar y analizar imágenes neuronales y señales fisiológicas obtenidas en experimentos con el objetivo de conocer cómo se procesa la información visual en la retina y analizar con que códigos se transmite al cerebro. Inicialmente abordamos el estudio de varios aspectos morfológicos de las células de la retina para conocer con más precisión ciertas particularidades de los circuitos retinianos. En este sentido hemos estudiado la posible caracterización de las neuronas como multifractales (Fernández et al., 1999) y hemos desarrollado un nuevo método -la V-proporción, basada en el diagrama de Voronoi- que permite estudiar las relaciones espaciales entre los mosaicos neuronales de la retina (Ahnelt et al., 2000; Martínez et al., 2010). Paralelamente hemos analizado registros simultáneos de respuestas de poblaciones de células ganglionares de la retina, que son las encargadas de codificar la información visual y enviarla al cerebro. Usando Redes Neuronales Artificiales (Ferrández et al., 1999) y Teoría de la Información (Ferrández et al., 2002) hemos encontrado que los parámetros más relevantes en la codificación son el número de potenciales de acción y el tiempo exacto en que se produce el primero de ellos tras el estímulo. Además, la información se transmite utilizando un código poblacional y redundante. Para reducir los datos poblacionales sin perder información relevante hemos desarrollado un método que permite detectar grupos de neuronas con respuestas semejantes (Bonomini et al., 2005a). Posteriormente lo hemos incorporado a un programa libre de código abierto que facilita el análisis de los datos registrados con multielectrodos (Bonomini et al., 2005b). Por último, hemos diseñado un proceso para decodificar la información visual que procesa la retina evaluando cuantitativamente la reconstrucción conseguida del estímulo (Díaz-Tahoces et al., 2015). Artículos que conforman la tesis: 1. Fernández, E., Bolea, J.A., Ortega, G. y Louis, E. (1999). “Are neurons multifractals?” Journal of Neuroscience Methods, 89, pp. 151-157. 2. Ahnelt, P., Fernández, E., Martínez, O., Bolea, J.A. y Kubber-Heiss, A. (2000) “Irregular S-cone mosaics in non-primate retinas. Spatial interaction with axonless horizontal cells revealed by Voronoi based cross correlation.” Journal of the Optical Society of America A, 17(3), pp. 580–588. 3. Martínez Mozos, O., Bolea, J.A., Ferrández, J.M., Ahnelt, P.K. y Fernández, E. (2010) “V-Proportion: A method based on the Voronoi diagram to study spatial relations in neuronal mosaics on the retina.” Neurocomputing, 74 - 1-3, pp. 418- 427. 4. Ferrández, J.M., Bolea, J.A, Ammermüller, J., Normann, R.A. y Fernández, E. (1999) “A Neural Network Approach for the Analysis of Multineural Recordings in Retinal Ganglion Cells” Engineering Applications of Bio-Inspired Artificial Neural Networks. Lecture Notes in Computer Science, Vol. 1607, pg. 289-298. Berlin/Heidelberg: Springer. 5. Ferrández, J.M., Bongard, M., García-de-Quirós, F., Bolea, J.A. y Fernández, E. (2002) "Neural Coding Analysis in Retinal Ganglion Cells Using Information Theory" Artificial Neural Networks - ICANN 2002. Lecture Notes in Computer Science. Vol 2415, pg. 174-179. London: Springer-Verlag. 6. Bonomini M.P., Ferrández J.M., Bolea J.A. y Fernández E. (2005a) ”Formulation and Validation of a method for classifying Neurons from multielectrode recordings” Mechanisms, Symbols and Models Underlying Cognition. Lecture Notes in Computer Science. Vol 3561, pp. 68-76. Berlin/Heidelberg: Springer. 7. Bonomini, M.P., Ferrández, J.M., Bolea, J.A. y Fernández E. (2005b) “DATAMeans: An open source tool for the classification and management of neural ensemble recordings” Journal of Neuroscience Methods, 148(2), pp. 137-46. 8. Díaz-Tahoces, A., Martínez-Álvarez, A., García-Moll, A., Humphreys, L., Bolea, J.A. y Fernández, E. (2015) “Towards the Reconstruction of Moving Images by Populations of Retinal Ganglion Cells” Artificial Computation in Biology and Medicine, Lecture Notes in Computer Science, Volume 9107, pp 220-227.