1. No category

Escuela Balseiro 2014 – Clase 5
Un estudio interdisciplinario entre 0sica y biología. Ana Amador!
Laboratorio de Sistemas Dinámicos!
Dept. Física – FCEN – Univ. Buenos Aires!
h7p://www.lsd.df.uba.ar [email protected] h7p://users.df.uba.ar/anita/amador Órgano vocal Siringe Organo fonador modelado como un oscilador no-­‐lineal x(t)
Tracto vocal: lo más simple posible Normal form reducGon Complete model 40
H
1
k1
4
ps
5
So many parameters! 0
2
3
(3)
-60
-0.01
25
S
0
(4)
0
-15
-0.011
400
(1)
(2)
0
(5)
0
-500
-0.05
0 0.03 -0.05
0 0.03 -0.05
0 0.03
Normal form reducGon Complete model 40
H
1
k1
4
ps
5
(3)
0
2
3
Normal form -60
-0.01
25
S
0.3
0
(4)
(1)
(2)
0
(5)
0
-500
-0.05
0.2 1
0 0.03 -0.05
3
0 0.03
2
4
5
S
0
-0.1
0 0.03 -0.05
H
0.1
0
-15
-0.011
400
0.4
0
0.1
3
0.2
4
dx
=y
dt
dy
= −α (t) γ 2 − β (t)γ 2 x − γ 2 x 3 − γ x 2 y + γ 2 x 2 − γ x y
dt
GeneraGng syntheGc songs dx
=y
dt
dy
= −α (t) γ 2 − β (t)γ 2 x − γ 2 x 3 − γ x 2 y + γ 2 x 2 − γ x y
dt
α: pressure ; β: tension Dynamical analysis of the sound source 0.4
0.3
0.2 1
H
3
2
4
5
0.1
S
0
-0.1
0
0.1
3
0.2
4
Each “motor gesture” is a path in parameter space. Generando canto sintéGco dx
=y
dt
dy
= −α (t) γ 2 − β (t)γ 2 x − γ 2 x 3 − γ x 2 y + γ 2 x 2 − γ x y
dt
BOS €
SYN α: presión β: tensión To get a syntheGc song, we fit α (pressure) and β (tension) in the normal form model so that BOS and SYN have:   Same fundamental frequency   Same spectral content The model Syllables can be sub-­‐divided in “motor gestures” Each motor gesture is a path in the parameter space defined by α (pressure) and β (tension) Qué podemos aprender con esto? Una historia de un trabajo interdisciplinario Universidad de Buenos Aires Universidad de Chicago Ana Amador Ana Amador Daniel Margoliash Predicciones del modelo La tensión de las membranas controla la frecuencia La presión también puede controlar fundamental Nuevo mecanismo la frecuencia fundamental de control vocal Testeando el modelo Amador & Margoliash, J.Neurosci 2013 Testeando el modelo Amador & Margoliash, J.Neurosci 2013 Testeando el modelo Amador & Margoliash, J.Neurosci 2013 Con este experimento, testeamos una predicción del modelo. Entendimos mejor los mecanismos de fonación a parGr del modelado. pero surge la pregunta… Cuán bueno es el modelo? O sea, cuál es la per6nencia biológica de este modelado de baja dimensión? Una historia de un trabajo interdisciplinario Universidad de Buenos Aires Universidad de Chicago Yonatan Sanz Perl Gabriel Mindlin Ana Amador Daniel Margoliash Una historia de un trabajo interdisciplinario Universidad de Buenos Aires Universidad de Chicago Yonatan Sanz Perl Gabriel Mindlin Ana Amador Daniel Margoliash Copia sintéGca del canto BOS SYN Se ve bien! Suena bien! Pero… es relevante? Poniendo a prueba el modelo Para esGmar la relevancia biológica del modelo 0sico, usamos mediciones electrofisiológicas Sistema de canto Esquema de núcleos neuronales HV C
DLM
DM
s
IIt
X
n m
RA m
PA
IMAN
X
RA
rV
RG
Las neuronas responden a la presentación audiGva del canto propio (BOS) con un patrón disGnGvo. Otros eshmulos audiGvos no elicitan respuestas neuronales. NI
F
Fi e l d
L
SelecGvidad al canto propio Siringe Sistema respiratorio
Poniendo a prueba el modelo usando mediciones electrofisiológicas BOS SelecGvidad neuronal en el sistema del canto F
HV C
NI
IMAN
X
RA
DLM
SYN Uva
DM
s
IIt
nX m
RA m
PA
rV
RG
Syrinx Respiratory system
vta
Poniendo a prueba el modelo Neuronas en HVC responden selecGvamente al canto propio (BOS) HV C
F
Adivinen qué pasa si usamos el canto sintéGco! NI
IMAN
X
RA
DLM
Uva
DM
s
IIt
nX m
RA m
PA
vta
rV
RG
Syrinx Respiratory system
Presentación del canto durante el sueño El modelo necesitaba mejorar BOS SYN El desa0o fue mantenerlo simple! Un modelado más detallado   Cavidad resonante (OEC)   Ruido en β
Acción del filtro Same source Amador et al., Nature 2013 Un modelado más detallado BOS SYN Amador et al., Nature 2013 Un modelado más detallado Antes BOS SYN Después BOS SYN Neuronas selecGvas al canto propio Experimento de
selectividad
El canto sintéGco genera la misma respuesta neuronal que el canto propio Presentación de canto durante el sueño El canto sintéGco genera el mismo patrón de respuesta neuronal que el canto propio (BOS)
104
Frequency (Hz)
Frequency (Hz)
104
Trial number
Spikes/bin
0
80
60
0
BOS
80
60
40
40
20
20
0
20
0
20
15
15
10
10
5
0
(5,0)
0.5 s
5
0
(5;0)
Igual canGdad de disparos por ráfaga 1 2 3 1 1 2 3 2 3 SelecGvidad con modelo 5
Dissipation
Disipación de la cavidad orofaríngea: mayor disipación => menor presencia de cavidad 0
Ruido: sumo ruido blanco a la variable de acGvidad muscular 0
5
10
Noise
SelecGvidad con modelo 0
80
(0;5)
80
(5;5)
60
20
20
20
0
20
0
20
0
20
15
15
15
10
10
10
5
5
5
0
0
0
(5,0)
0
104
0
80
Spikes/bin
(0;0)
60
80
(5;0)
60
80
20
20
0
20
0
20
0
20
15
15
15
10
10
10
5
5
5
0
0
Trial number
40
20
0
0
15
10
5
(10,0)
(10;0)
60
40
5
10
BOS
20
0
40
0.5 s
60
40
0
Frequency (Hz)
104
Frequency (Hz)
(0,0)
80
0
20
(10;5)
60
40
(BOS)
0
80
40
104
(10,5)
0
40
Frequency (Hz)
Dissipation
60
0
104
Trial number
0
5
(5,5)
Spikes/bin
104
Frequency (Hz)
Frequency (Hz)
(0,5)
Frequency (Hz)
104
Frequency (Hz)
104
Noise
0.5 s
Trial number
Spikes/bin
Neuronas tónicas 60
50
40
30
20
10
0
20
60
50
40
30
20
10
0
20
CON
15
15
15
10
10
10
5
5
5
0
-1
0
2
1
3
4
Trial number
60
50
40
30
20
10
0
20
0
-1
0
1
2
4
0
60
50
40
30
20
10
0
20
SYN (0;5)
10
10
10
5
5
5
0
1
2
60
50
40
30
20
10
0
20
3
4
-1
0
1
2
3
4
60
50
40
30
20
10
0
20
-1
10
10
10
5
5
5
2
Time(s)
0
0
0
3
4
-1
0
2
1
Time(s)
5
1
2
60
50
40
30
20
10
0
20
SYN (5;0)
15
1
3
4
3
4
Time(s)
15
0
2
0
15
-1
1
SYN (10;5)
Time(s)
SYN (0;0)
0
0
60
50
40
30
20
10
0
20
SYN (5;5)
15
0
-1
Time(s)
15
-1
REV
Time(s)
Time(s)
Spikes/bin
3
15
0
Trial number
Dissipation
Dissipation
0
Spikes/bin
Time(s)
5
60
50
40
30
20
10
0
20
BOS
SYN (10;0)
0
3
4
-1
0
1
2
3
4
Time(s)
10
Noise
Tuning surface 0.6
%BOS Z score
0.58±0.08
0.6
0.5
0.4
0.3
0.2
0.1
0
La r0.5
presencia e la cavidad El uido en el dcontrol de la 0.45
orofaríngea parece ser muy tensión de las m
embranas de 0.4
0.6
relevante las auves pueden la s0.35
iringe G(ene 0.5n punto 0.3
controlar edste parámetro 0.4
parGcular onde alcanza el 0.25
durante l cranto) 0.2
0.3
máximo dee espuesta %BOS Z score
Grouped data: 4 birds 0.17±0.04
dissip=0
0.55
0.15
0
0.39±0.07
0.16±0.04
10
0.04±0.02
0.2 20
0.1noise
0
0.05±0.02
0.07±0.03
0
0.06±0.04
0.05±0.03
5
Dissipation
0
5
10 10
Noise
30
40
Resumen parcial 104
Frequency (Hz)
Frequency (Hz)
(BOS)
Spikes/bin
0
Trial number
Un modelo minimal puede generar un comportamiento complejo codificado por neuronas de manera natural 104
80
60
0
BOS
80
60
40
40
20
20
0
20
0
20
15
15
10
10
5
0
(5,0)
0.5 s
5
0
Interacción ente 0sicos y biólogos Usar el modelo como herramienta para estudiar control motor, percepción audiGva y codificación neuronal en aves (5;0)
Modelo existente para HVC Neuronas en HVC disparan cada 10ms (reloj en HVC) NI
F
Fi e l d
L
HV C
No se encontró relación entre acusGca y acGvidad neuronal DM
RG
(Hahnloser et al. 2002, Koshevnikov & Fee 2007) DLM
rV
Fee et al. X
RA
s
IIt
nX m
RA m
PA
IMAN
Syrinx Respiratory system
ExisGng model for HVC ProjecGng neurons in HVC fire every 10ms (HVC clock) No acous6c rela6on to firing instances Fee et al. (Hahnloser et al. 2002, Koshevnikov & Fee 2007) HVC cooling generates song stretching but… In canaries… HVC cooling generates Stretching + breaking Recapitulando BOS SYN α  : presión β  : tension Ajustamos estos parámetros para obtener BOS y SYN tq:   Misma frecuencia fundamental   Mismo contenido espectral Emergen “gestos motores” 10 4
a
b
0.4
GTE Gesture Trajectory Extrema 0.3
0.2
HVC se acGva en instancias motoras significaGvas 0
BOS
(arb. units)
Frequency (Hz)
Durante el sueño Tension (arb. units)
Modelo y acGvidad neuronal 0.1
0
-0.1
0
0.1
0.2
Pressure (arb. units)
c
14
N=5 individuos Tension
(arb. units)
Count
10
Esto es durante el sueño… Qué pasa durante el canto? 6
2
Trial number
Pressure
(arb. units)
0
20 40 60 80 100 120
GTE times (ms)
d
Count
60
40
20
µ = –5.6 ± 0.3ms σ = 6.7 ± 0.3ms 10
100 ms
0
-30 -20 -10
0 10 20
Ts - GTEclosest (ms)
Amador et al, Nature 2013 Durante el canto Peso diamante mandarín ~ 14gr Peso disposiGvo: 600mgr Micromotor para manipulación de electrodos extracelulares Durante el canto Amador et al, Nature 2013 Durante el canto Durante el sueño Sleeping
Durante el canto Singing
40
20
-30 -20 -10
0 10 20
Ts - GTEclosest (ms)
60
Count
Count
µ = (–5.6 ± 0.3) ms 60ms
σ = (6.7 ± 0.3) µ = (–1.35 ± 0.1) ms σ = (4.0 ± 0.2) ms 40
20
-30 -20 -10
0 10 20
Ts - GTEclosest (ms)
Las neuronas de HVC se acGvan en GTEs Debido a la sincronicidad de la acGvidad neuronal con el comportamiento, proponemos que las neuronas codifican una predicción de la acción (“forward model”) Amador et al, Nature 2013 2 hipótesis Recorded activity
a Clock hypothesis
b Gesture-transition hypothesis
Troyer, Nature 2013 Spike count
Pressure
(arb. units)
Tension
(arb. units)
BOS
(arb. units)
Frequency (Hz)
Tonic neurons 10
4
20
a
0
50 ms
b
Las interneuronas tambien disparan en instancias significaGvas No solo decimos que las neuronas proyectoras se relacionan con instancias motoras, sino que también decimos que que las interneuronas forman parte de la red y Genen que ver con el Gming! Ejemplo computacional: review de F. Johnson Revisando el sistema neuronal del canto Bertram et al (Johnson), 2014 Revisando el sistema neuronal del canto Kozhevnikov and Fee, 2007 Revisando el sistema neuronal del canto Mirroring neurons in swamp sparrows & bengalese finches Prather et al (Nowicki and Mooney) 2008 Revisando el sistema neuronal del canto Conclusiones   Estos ejemplos ilustran la necesidad de estudiar el sistema perisférico junto con el sistema nervioso central para una mejor comprensión de cómo emerge el comportamiento.   También son un ejemplo del poder de la dinámica no-­‐lineal para describir sistemas naturales complejos.   Modelo de baja dimensión elicita respuestas neuronales complejas.   Este modelo permite estudiar control motor, percepción audiGva y código neuronal.   Proponemos un código neuronal novedoso para HVC:   Neuronas disparan en instancias motoras significa6vas de una manera predic6va. Gracias! A more detailed modeling In acousGcs, it is common to write an electric analog computaGonal model to describe a system of filters. The acousGc pressure is represented by an electric potenGal, while the volume flow by the electrical current . In this framework, short constricGons are inductors and caviGes (smaller than the wavelengths) are well represented by capacitors. To evaluate the significance of the distribuGon of the Gme differences between bursts, minima or maxima, and their closest GTE's, we constructed surrogate data sets. We performed F-­‐tests between the distribuGons of the real data and surrogate data with the same number of elements to test for significant variance differences. Summary Sleeping
Singing
60
Count
ProjecGng neurons Count
60
40
40
20
20
-30 -20 -10
0 10 20
Ts - GTEclosest (ms)
-30 -20 -10
0 10 20
Ts - GTEclosest (ms)
Sleeping
Singing
20
10
-30 -20 -10 0 10 20 30
Ti - GTEclosest (ms)
Count
Interneurons Count
20
10
-30 -20 -10 0 10 20 30
Ti - GTEclosest (ms)
Maxima vs. Minima (tonic) Sleeping
Singing
a
Count
Maxima
Count
20
10
-30
-20
-10
0
10
Ti - GTEclosest (ms)
20
c
10
5
-30
30
-20
-10
0
10
Ti - GTEclosest (ms)
20
b
20
30
d
Count
Minima
Count
20
10
-30
10
-20
-10
0
10
Ti - GTEclosest (ms)
20
30
-30
-20
-10
0
10
Ti - GTEclosest (ms)
20
30