Tesis:
Self-organizing cultured neural networks. Image analysis techniques for longitudinal tracking and modeling of the underlying network structure.
- Autor: SANTOS SIERRA, Daniel de
- Título: Self-organizing cultured neural networks. Image analysis techniques for longitudinal tracking and modeling of the underlying network structure.
- Fecha: 2015
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIEROS DE TELECOMUNICACION
- Departamentos: SIN DEPARTAMENTO DEFINIDO
- Acceso electrónico: http://oa.upm.es/35309/
- Director/a 1º: SENDIÑA NADAL, Irene
- Director/a 2º: BOCCALETTI, Stefano
- Resumen: Esta tesis estudia la evolución estructural de neuronas en cultivo durante su auto- organización desde un estado de neuronas (soma) aisladas hasta que forman una red compleja de neuronas agregadas. En particular, la principal aportación de esta tesis es el diseño e implementación de un algoritmo de segmentación no supervisado basado en grafos y con un coste computacional muy bajo. Este algoritmo proporciona de forma automática la estructura completa de la red a partir de imágenes de contraste fase de cultivos neuronales tomadas con una resolución muy alta. La estructura de la red se representa mediante un grafo cuyos nodos representan las neuronas (o grupos de neuronas) y los enlaces son las proyecciones (neuritas) reconstruidas entre ellas. Este algoritmo extrae también todas las medidas morfológicas que caracterizan a las neuronas y a las neuritas. A diferencia de otros algoritmos de segmentación que necesitan imágenes de fluorescencia u obtenidas con técnicas inmunocitoquímicas, el algoritmo propuesto permite el seguimiento longitudinal no invasivo de un cultivo a lo largo de su maduración. A continuación, el estudio sistemático de un grupo de observables topológicos permiten cuantificar e investigar la progresión de las características principales de la red durante el proceso de auto-organización del cultivo. Nuestros resultados muestran la emergencia de un estado compatible con un modelo de red small-world acompañado de otras propiedades de red a peque ̃ na y mediana escala. Finalmente, identificamos los procesos físicos principales que guían las transformaciones morfológicas de los cultivos y proponemos un modelo de crecimiento de red que reproduce cuantitativamente el comportamiento de las observaciones experimentales.