Séances de cours associées à Sans titre

Combiner les profils: Électrique, Morphologique, Moléculaire MOOC: Simulation de la neuroscience

Couvre combinant des profils électriques, morphologiques et moléculaires pour étudier des neurones uniques.

Dans les neurosciences de Silico : canaux ioniques et modèles neuronaux

Explore la modélisation détaillée des canaux ioniques et des morphologies neuronales dans les neurosciences silico, couvrant la classification des neurones, la cinétique des canaux ioniques et les observations expérimentales.

Compréhension biophysique du comportement électrique neuronal

Explore la compréhension biophysique du comportement électrique neuronal, y compris les défis dans la modélisation des neurones, la génération de potentiels d'action, et l'impact de la structure dendritique sur les schémas de tir.

Modèles biophysiques : canaux ioniques MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore le zoo des canaux ioniques et leurs rôles fonctionnels dans les modèles de neurones biophysiques.

Modélisation de l'activité électrique du neurone MOOC: Simulation de la neuroscience

Explore la modélisation de l'activité électrique du neurone, y compris les canaux ioniques et les concentrations, l'équation de Nernst et le potentiel de repos.

Modélisation de l'électrophysiologie : différentes échelles MOOC: Les neurosciences reconstruites : Génétique et développement du cerveau

Couvre la modélisation de l'électrophysiologie à différentes échelles, en discutant des canaux ioniques, des neurones uniques et des microcircuits.

Stratégies de données : construire des circuits neuronaux MOOC: Simulation de la neuroscience

Explore les stratégies de données pour construire des circuits neuronaux en neuroscience de simulation.

Modèles de neurones de contrainte avec données expérimentales MOOC: Simulation de la neuroscience

Explore les modèles de neurones contraignants avec des données expérimentales, soulignant l'importance de dériver des paramètres à partir de données expérimentales.

Sans titre

Méthodes d'identification des types de transcription

Couvre les méthodes permettant d'identifier les types de transcription et de classer les cellules bipolaires à l'aide de techniques de calcul et de profilage moléculaire.

Paramètres de recherche : Optimisation de la simulation neuronale MOOC: Simulation d'un micro-circuit d'hippocampe

Explore les paramètres de recherche pour les modèles neuronaux et l'importance de l'optimisation multi-objectifs.

Modèles CA1 monocellulaires MOOC: Simulation d'un micro-circuit d'hippocampe

Explore les propriétés particulières, la variabilité, l'optimisation et la dégénérescence des neurones CA1.

Introduction au module MOOC: Simulation de la neuroscience

Introduit l'activité électrique des cellules nerveuses, en se concentrant sur les pointes et les potentiels synaptiques.

Opérateurs linéaires : Transformation de base et valeurs propres

Explore la transformation de base, les valeurs propres et les opérateurs linéaires dans les espaces intérieurs des produits, en soulignant leur importance dans la mécanique quantique.

Les postulats de la mécanique quantique

Explique les postulats de Quantum Mechanics, en se concentrant sur les opérateurs auto-adjoints et la notation mathématique.

Principes de modélisation pour la simulation de microcircuit CA1 MOOC: Simulation d'un micro-circuit d'hippocampe

Explore les principes de la modélisation axée sur les données pour simuler les microcircuits hippocampes.

Seuil dans le modèle Hodgkin-Huxley MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore le seuil de tir dans le modèle Hodgkin-Huxley et le comportement des neurones sous différentes entrées actuelles.

Sans titre

Modélisation électrique des neurones

Explore le cadre mathématique et les défis de la modélisation des neurones, en discutant des mécanismes membranaires passifs et actifs et de la représentation de la membrane en tant que circuit électrique.

Représentation matricielle des opérateurs et transformation de base

Explore la représentation matricielle des opérateurs et la transformation de base en algèbre linéaire.