Информация

Данни от биологични експерименти (Ходжкин-Хъксли)

Данни от биологични експерименти (Ходжкин-Хъксли)


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Правя изследване на модела на Ходжкин-Хъксли от гледна точка на електрониката/математика и търся да намеря действителни числени резултати от експерименти върху аксоните на калмари. Искам да сравня резултатите от експериментите с кривите, получени чрез моделиране на уравненията в MATLAB.

Проблемът ми е, че докато има изобилие от ресурси, обсъждащи уравненията и методологията на експериментите, имам големи затруднения да намеря таблично експериментални данни (не само числа, генерирани от моделирането на уравненията).

Тъй като идвам извън областта на биологията, бих искал да знам има ли източници на качествени числени данни за тези видове експерименти? По-специално, аз търся данните за калиева проводимост срещу време, ето сюжета от 5-та статия в тяхната поредица от публикации, които им спечелиха Нобелова награда:

Ходжкин AL, Хъксли AF. Количествено описание на мембранния ток и неговото приложение към проводимост и възбуждане в нерв. Вестник по физиология. 1952;117(4):500-544.


Модел на Ходжкин-Хъксли

В Модел на Ходжкин-Хъксли, или базиран на проводимост модел, е математически модел, който описва как потенциалите на действие в невроните се инициират и разпространяват. Това е набор от нелинейни диференциални уравнения, които приближават електрическите характеристики на възбудимите клетки като неврони и сърдечни миоцити. Това е динамична система с непрекъснато време.

Алън Ходжкин и Андрю Хъксли описват модела през 1952 г., за да обяснят йонните механизми, лежащи в основата на инициирането и разпространението на потенциалите на действие в гигантския аксон на калмара. [1] Те получиха Нобелова награда за физиология и медицина през 1963 г. за тази работа.


Данните и наблюдението зависят от теорията

Y&L твърдят, че ние „се придържаме към идеята, че човечеството е надарено с мъдростта да интуитивно долавя нови прозрения чрез философстване, независим на данни и наблюдения." И така, откъде точно идват новите идеи и хипотези, ако не от данни (както твърдят Y&L)?

Данните нямат никакви качества – независимо дали са важни, изненадващи или забавни – без някаква хипотеза или теория. Няма нищо по своята същност смислено или интересно в падането на ябълка или каквато и да е друга точка от данни без хипотеза или теория. Едва когато падането на ябълката е посрещнато с въпрос и хипотеза, тя придобива смисъл. Самата идея за анализиране на падането на ябълка – процесът на избор на това падане като данни, които да бъдат взети под внимание (и свързването им с луната!) – илюстрира централната роля на хипотезата в научното откритие.

Сега, може би Y&L са съгласни, че данните са безсмислени без теория. В края на краищата те смекчават първоначалния си аргумент „хипотезата е задължение“, като допускат, че различните форми на „фон“ са важни, дори при изследване на данни и научни открития без хипотези. Те се позовават на важността на „теоретичен произход“, „умствен произход“ и „концептуален произход“. Този натрупан опит, който позволява на учените да надграждат работата на своите предшественици, несъмнено е важен. И както Y&L допълнително предполагат, научният процес е рекурсивен, всъщност разговор между данни и теория.

Това обаче не означава, че научното откритие и напредъкът са детерминирани или неизбежни, когато „всеки нов въпрос или хипотеза [се] задейства от анализа на по-ранен набор от данни“ (Y&L). Този цикъл не е автоматичен. Науката не е всевиждащо око, което е независимо от наблюдателя [1]. То непременно се подчертава от човешкия генеративен капацитет за предположения и хипотези. Именно предположенията, хипотезата и теорията – а не изследването на данни без хипотези – ни позволяват да видим нещо по нов начин. Без тази генеративна способност е трудно да разберем как бихме могли да знаем нещо изобщо. Както отбелязва философът Чарлз Пърс, „умът на човека има естествена адаптация към представянето на правилни теории от някакъв вид... Ако човекът нямаше дарбата на ума, адаптиран към неговите изисквания, той не би могъл да придобие никакво знание“ [2].

Разбира се, хипотезите могат да подведат учените, подчертават Y&L. Ние сме съгласни. Но няма смислена алтернатива без хипотези. Алтернативата на лошата или ослепителна хипотеза е нова или по-добра. Данните, емпиричните констатации и очевидните факти също могат да подведат учените. Всички наблюдения непременно са натоварени с хипотези, без значение колко неформални може да са тези хипотези. Няма нищо присъщо на данните, което да ни казва какво да предположим. Отново данните не говорят сами за себе си. Това е нашата цел да се съсредоточим върху експеримента с горила, който изглежда предлага доказателства за така наречената човешка слепота. По подобен начин изглежда, че слънцето обикаля около земята. Но външният вид и свързаните с тях данни могат да бъдат измамни. Следователно, една хипотеза ни казва какви данни да търсим, какви експерименти да конструираме и как да интерпретираме констатациите.


Лаборатория 02 I A

Тези симулации са свободно базирани на изследванията на Byrne (1980a, b) и илюстрират ролята(ите) на преходния калиев ток (т.е. A ток). Симулациите използват “generic” неврон, който е подобен на модела на Ходжкин-Хъксли, но не използва скоростни константи. По този начин е по-лесно за потребителите да променят свойствата на модела по интуитивен начин.

Закъснение

В този комплект има пет симулации. Те илюстрират реакциите на тока и напрежението на клемите на генеричната клетка със и без А ток.

Тази симулация (generic_cell_04.smu) използва разширения модел и илюстрира реакцията на модела към стимули с надпрагов праг. В допълнение към напрежението на мембраната, активирането и деактивирането на преходния калиев ток се начертават (т.е. “A[K_A.GEN_a…]<” и “B[K_A.GEN_a…]<”, съответно).

Честота

В този комплект има две симулации. Те трябва да бъдат използвани от учениците, за да “изследват пространството на параметрите” на разширения модел и да проучат как характеристиките на ефекта на тока A, който се задейства в модела.

Тази симулация (generic_cell_02.smu) илюстрира реакцията на разширения модел към надпрагов стимул (2 s, 2.3 nA). Както и преди, моделът започва да работи след първоначално забавяне.


Моделът на Ходжкин Хъксли

Обикновено обсъждането на мембранната електрофизиология може да започне с известния модел на гигантски аксон на калмари, разработен от Ходжкин и Хъксли (моделът HH) [Hodgkin and Huxley, 1952]. Нашата цел тук е да улесним ясното математическо разбиране на осцилаторното поведение в системите от йонни канали. Въпреки че остава основополагащо постижение в историята на физиологията, HH моделът е сложен и не се поддава на методите за анализ на фазовата равнина, които сме използвали, за да разберем динамичното електрическо поведение в клетките. Ученикът трябва да е запознат с модела HH, поради исторически причини и защото все още се използва широко. Не можем да обхванем работата на Ходжкин и Хъксли с подробностите, които заслужават, но концепциите, научени при изследването на осцилатора Морис-Лекар, ще помогнат на ученика да разбере HH модела. Препоръчваме на студента да се консултира с йонните канали на Бертил Хил

Таблица 2.6 Параметри на осцилатор тип I на Morris-Lecar

Фигура 2.13 (A) Решението на уравненията на Ходжкин-Хъксли за три различни начални стойности на мембранния потенциал и без приложен ток. Когато първоначалната стойност надвиши ca. -59 mV се произвежда потенциал на действие. (B) Непрекъснатото пикове се случва при същите условия с приложен ток Iapp = 15.

Excitable Membranes [Hille, 2001], който съдържа едно от най-добрите лечения на HH модела и историята зад него. "Hille" също е най-добрият консолидиран източник на информация за биофизиката на йонните канали и трябва да е познат на всеки човек, който се опитва да моделира електрическо поведение.

Моделът HH е емпиричен [Hodgkin and Huxley, 1952]. Много експерименти със затягане на напрежението бяха извършени от Ходжкин и Хъксли и техните данни бяха подходящи за изрази, които те включиха в модела, без да се вземе предвид основен механизъм за портите на канала. Един от забележителните аспекти на работата на Ходжкин и Хъксли е, че техният модел е разработен без молекулярно разбиране на механизма. Всъщност се наложи почти тридесет години интензивни изследвания след тяхната работа, за да се формулира реалистична карикатура на механизмите, лежащи в основата на йонните токове в клетките. Въпреки че Ходжкин и Хъксли обосновават тези изрази на емпирични основания, възможно е да се изведе гейт изразът, използван в модела Ходжкин-Хъксли, като се използват механистични модели.

От тяхната скоба за напрежение и други измервания, Ходжкин и Хъксли заключиха, че натриевата проводимост включва два зависещи от напрежението "gte "врата за активиране и инактивираща врата и че калиевата проводимост има единична активираща врата. Имайте предвид, че наличието на порта за инактивиране се различава от модела Morris-Lecar. За да обяснят тези факти, те представят йонните проводимости в следната форма:

където термините J представляват максимални проводимости, а m и n са променливите за активиране, а h - инактивирането. Експонентите на m и n бяха избрани за най-добро съответствие с експерименталните данни. Тези променливи за стробиране са постулирани да удовлетворяват линейни диференциални уравнения, където променливите "отпускат" до зависими от напрежението стойности, например m^(V), които варират между нула и единица с зависими от напрежението времеви константи, например^ rm (V).

Събирането на ODE за променливите на стробирането заедно с (2.11) дава първичните уравнения за модела на Ходжкин-Хъксли:

Ходжкин и Хъксли добавиха третата проводимост Jleak към своето уравнение на напрежението, за да отчетат малка независима от напрежението проводимост, която те приписват на "изтичане" в мембраната, вероятно чрез техния микроелектрод. Нелинейните членове в (2.41) са очевидни в активиращите и инактивиращите врати. Не са толкова очевидни нелинейностите в (2.42)—(2.44). Въпреки това, всички зависими от напрежението членове в тези уравнения също са нелинейни функции на V.

Ученикът трябва да реши уравненията на HH, за да осигури база за сравнение и по-нататъшно изследване (Упражнение 9b). Уравненията за генератора на пикове на Ходжкин-Хъксли са лесно достъпни от други източници и не е трудно да се изпълняват симулации с пакет за решаване на ODE. Трябва да се внимава при избора на подходящ числен метод за решение поради нелинейните уравнения. Фигура 2.13 показва няколко симулации, които могат да бъдат направени с HH уравненията. Методът Runge—Kutta е използван с времева стъпка от 0,05, което е подходящо, тъй като намаляването на времевата стъпка до 0,01 не дава забележима промяна в резултатите.

Фигура 2.13A показва изчисления с Iapp = 0, но с V(0) = -65, -60 и -57 mV. Стационарното състояние на напрежението с тези параметри е ясно -65 mV обаче, ако първоначалната стойност на V надвишава около -59 mV, тогава уравненията произвеждат скок на потенциала на действие и имаме друг пример за осцилатор тип II. Уравненията на Ходжкин-Хъксли също могат да доведат до повтарящо се изстрелване на потенциали за действие. Това е илюстрирано на Фигура 2.13B. Параметрите в тази симулация са идентични с тези на фигура 2.13A, с изключение на това, че Iapp = 15.

dm/dt = -(m - m^(V))/Tm(V), dh/dt = -(h - h^(V))/Th(V), dn/dt = -(n - n^ (V))/t„(V).

dm/dt = -(m - m^(V))/Tm(V), dh/dt = -(h - h^(V))/Th(V), dn/dt = -(n - n^ (V))/t„(V).


Препратки

Коул, К. С. и Къртис, Х. Дж. J. Gen. Physiol. 22 , 649–670 (1939).

Ходжкин, А.Л. и Хъксли, А.Ф. природата 144, 710–712 (1939).

Бернщайн, Дж. Pflügers Arch. Ges. физиол. 92, 521– 562 (1902).

Ходжкин, А. Л. и Кац, Б. J. Physiol. (Лонд.) 108 , 37–77 (1949).

Овъртън, Е. Pflügers Arch. Ges. физиол. 92, 346– 386 (1902).

Ходжкин, А.Л. и Хъксли, А.Ф. J. Physiol. (Лонд.) 117, 500–544 (1952).

Хил, Б. Йонни канали на възбудимите мембрани (Синауер, Съндърланд, Масачузетс, 1992 г.).


Костите трябва да са здрави и гъвкави, за да вършат работата си. Костите, които са здрави, но не са гъвкави, ще бъдат крехки и лесно счупени. Въпреки това, ако костите са гъвкави, но не са здрави, те няма да издържат тежестта на тялото ви или стреса от мускулите, които ги дърпат.

Какво прави здравите кости?

Силата на костите ви зависи от това какво ядете. Може би сте чували, че пиенето на мляко е полезно за вас. Това отчасти се дължи на факта, че млякото съдържа много калций, минералът, който прави костите ви здрави. Гъвкавостта на костите ви зависи от колагена. Получавате колаген от консумацията на тъмнозелени зеленчуци като аспержи, спанак и зеле.


Просто параметрично представяне на модела на Ходжкин-Хъксли

Моделът на Ходжкин-Хъксли, десетилетия след първото му представяне, все още е референтен модел в неврологията, тъй като успешно възпроизвежда електрофизиологичната активност на много организми. Първичният сигнал в модела представлява мембранния потенциал на неврон. Параметрично и просто представяне на този сигнал е представено в тази статия.

Новото предложение е адаптиран честотно модулиран многокомпонентен модел на Мьобиус, дефиниран като гъвкаво разлагане във вълни, които описват морфологията на сигнала. Специфична особеност на новия модел е, че параметрите са обект на интерпретируеми ограничения.

Проведен е широк симулационен експеримент, за да се покаже, че новият модел точно представя симулирания сигнал на Ходжкин-Хъксли. Освен това потенциалът на модела за прогнозиране на съответните характеристики на неврона, описан с параметри на модела на Ходжкин Хъксли, е показан с помощта на различни методи за машинно обучение. Предложеният модел също е валидиран с реални данни от Squid Giant Axons. Сравнението на конфигурацията на параметрите между симулирани и реални данни демонстрира гъвкавостта на модела, както и интересни разлики.

Резюме на автора Алехандро Родригес-Коладо. Получих двойна степен по статистика и компютърно инженерство и магистърска степен по бизнес разузнаване и големи данни от Universidad de Valladolid през 2019 и 2020 г., съответно. Работя като изследовател и професор в катедрата по статистика и оперативни изследвания в Universidad de Valladolid. Основните ми изследователски интереси включват обработка на осцилаторни сигнали, невронаука, многовариантен анализ на данни и контролирано обучение.

Кристина Руеда. Получих бакалавърска степен по математика от Universidad de Valladolid през 1987 г. и докторска степен по статистически науки от Universidad de Valladolid през 1989 г. В момента съм професор в катедрата по статистика и оперативни изследвания в Universidad de Valladolid. Основните ми изследователски интереси включват статистически методи за извод при ограничения, кръгови данни, изчислителна биология и статистически методи за анализ на сигнали.


Жизненият цикъл на науката за данни

Изображението представя петте етапа от жизнения цикъл на науката за данни: Улавяне, (придобиване на данни, въвеждане на данни, приемане на сигнал, извличане на данни) Поддържайте (съхранение на данни, почистване на данни, стадиране на данни, обработка на данни, архитектура на данните) процес (извличане на данни, клъстериране/класификация, моделиране на данни, обобщаване на данни) Анализирам (проучвателен/потвърждаващ, прогнозен анализ, регресия, извличане на текст, качествен анализ) Общувайте (отчитане на данни, визуализация на данни, бизнес разузнаване, вземане на решения).

Терминът „учен по данни“ е въведен наскоро през 2008 г., когато компаниите осъзнаха нуждата от професионалисти по данни, които са квалифицирани в организирането и анализирането на огромни количества данни. 1 В статия на McKinsey&Company от 2009 г. Хал Вариан, главен икономист на Google и професор по информационни науки, бизнес и икономика в Калифорнийския университет в Бъркли, прогнозира значението на адаптирането към влиянието на технологиите и преконфигурирането на различни индустрии. 2

„Способността да приемате данни – да можете да ги разбирате, да ги обработвате, да извличате стойност от тях, да ги визуализирате, да ги съобщавате – това ще бъде изключително важно умение през следващите десетилетия.

– Хал Вариан, главен икономист в Google и UC Berkeley, професор по информационни науки, бизнес и икономика 3

Ефективните учени по данни са в състояние да идентифицират съответните въпроси, да събират данни от множество различни източници на данни, да организират информацията, да преведат резултатите в решения и да съобщават своите констатации по начин, който влияе положително върху бизнес решенията. Тези умения се изискват в почти всички индустрии, което кара квалифицираните учени по данни да бъдат все по-ценни за компаниите.


Проблемите на околната среда

Recycle City – уеб урок, вижте сайта на EPA’ за рециклиране с въпроси
Smog City – уеб урок, използвайте симулатор, за да коригирате условията на околната среда

Екологичен проект – създайте Powerpoint презентация за екологичен проблем
Избор на куче – бъдете отговорен собственик на домашни любимци, изберете вашето куче разумно (уеб урок)
Дизайнерски кучета – Разглежда разходите, свързани с отглеждането на дизайнерски кучета (като Puggles), студенти, за да обмислят алтернативи на закупуването на домашни любимци.
Екзотични домашни любимци – набор от дейности върху диви и екзотични животни и рисковете от притежаването им

Проект за застрашени видове – създайте публикация (уебсайт или прези), която изследва вид, който е застрашен

Проучете причините за застрашени видове – с помощта на earthsendangered.com, създайте графичен органайзер, който сравнява 4 различни застрашени животни от район на планетата

Храна за размисъл – моделира количеството хранителни ресурси, които всяка страна разполага с целувки от Хърши
Зебра миди – прочетете статия за екзотични (инвазивни) видове, отговорете на въпроси
Графика на човешката популация – използва данни за графика на растежа и анализа
Екологични действия – като група, разпределете ресурси за различни “причини”
Екология Listmania – уводна дискусия, в която учениците изброяват идеи или проблеми, свързани с околната среда

Въведение в екологията – видове, съобщества, екосистеми и биосфера. Съсредоточете се върху речника и методите за изучаване на екологията.
Биоми – показва всеки основен биом, неговите характеристики и видове растения и животни
Популации – обсъжда кривите на растежа на населението, пирамидите на населението и границите на растежа
Демографията – се фокусира върху тенденциите в човешкото население