Search

[ES] La neurociencia computacional es una de las disciplinas más avanzadas para estudiar el cerebro humano y sus intrincados mecanismos. Para ello, los modelos computacionales de cerebro completo se han convertido en una herramienta muy efectiva. Dichos modelos representan el cerebro como una red con un número predefinido de nodos correspondientes a áreas cerebrales conectados entre sí en base a una matriz de conectividad estructural empírica. Sobre esta estructura, se utiliza un conjunto de ecuaciones diferenciales para simular actividad cerebral. Este enfoque es muy útil para investigar dinámicas cerebrales complejas mediante modelos matemáticos, como los modelos de sueño profundo. En este contexto, la matriz de conectividad estructural se construye en base a un atlas cerebral o parcelación cortical elegida arbitrariamente. Este estudio pretende analizar los efectos de la granularidad de la parcelación en un modelo de cerebro completo en estado de sueño profundo. Para ello, se aumenta gradualmente el número de áreas cerebrales discretas utilizando una parcelación local-global de la corteza cerebral humana. Debido a la naturaleza jerárquica de la corteza cerebral, la resolución de la parcelación cerebral puede aumentarse fácilmente, dando lugar a varias segmentaciones compuestas por 100, 200, 500 y 1000 parcelas. Para analizar los efectos del aumento de la granularidad regional, se construye el modelo y se ejecuta con los conjuntos de datos descritos anteriormente utilizando neurolib, un marco computacional para el modelado cerebral completo desarrollado en Python. A continuación, se evalúa su rendimiento comparando el resultado simulado con los registros empíricos. Finalmente, el análisis del modelo tiene como objetivo determinar qué patrones produce el modelo a diferentes niveles de resolución concluyendo en una propuesta de la mejor elección de la parcelación en función de los patrones de interés en el modelo de sueño profundo., [EN] Computational neuroscience is one of the most state-of-the-art disciplines for studying the human brain and its intricate mechanisms. To this aim, computational whole-brain models have become a very powerful tool. These models represent the brain as a network with a predefined number of nodes, where each node corresponds to a brain area and the connections between them are based on an empirically determined structural connectivity matrix. On this structure, a set of differential equations is used to simulate brain activity. This approach is highly useful when investigating complex brain dynamics with mathematical modeling, such as deep sleep models. In this context, the structural connectivity matrix is constructed based on an arbitrarily chosen brain atlas or parcellation. This study aims to analyze the effects of the parcellation¿s granularity on a deep sleep whole-brain model. Therefore, the number of discrete brain areas is gradually increased using a local-global parcellation of the human cerebral cortex. As the brain is hierarchically organized, the resolution of the brain parcellation can be easily augmented resulting in several cortical parcellations consisting of 100, 200, 500 and 1000 parcels. In order to analyze the effects of increasing regional granularity, the model is built and run with the formerly described datasets using neurolib, a computational framework for whole-brain modeling written in Python. Its performance is then evaluated by comparing the simulated output with empirical recordings. Finally, the model analysis aims to determine what patterns the model produces at different levels of resolution concluding in a proposal of the best choice of parcellation¿s granularity depending on the patterns of interest in the deep sleep model.