Em formação

Por que os potenciais de campo locais geralmente são filtrados em banda passante?


Eu estava me perguntando qual era o fundamento lógico por trás da filtragem passa-baixa ou passa-banda nas medições de potencial de campo local.

Parece-me que poderíamos potencialmente filtrar informações potencialmente valiosas por meio de procedimentos de filtragem.

Existe alguma limitação física para isso que não permita medir, digamos, as respostas em uma faixa de frequência de 0 a 5 kHz?


Não há nenhuma limitação física na banda de frequência que você deseja gravar, exceto as limitações de hardware na taxa de amostragem.

Freqüentemente, as gravações eletrofisiológicas sofrem de ruído (principalmente nas frequências altas) e desvios na linha de base (faixa de baixa frequência).

No final, você deseja filtrar o máximo de ruído possível, sem jogar o bebê fora com a água do banho. Com efeito, conhecimento prévio sobre a faixa de frequência das respostas de interesse são vitais. Qualquer coisa fora desse intervalo pode, e provavelmente deve ser filtrada.

Por exemplo, a análise FFT de EEGs concentra-se principalmente em bandas limitadas à faixa de frequência de 1 a 50 Hz. A frequência da rede elétrica é de 50 ou 60 Hz, freqüentemente impondo ruído sinusoidal quando a sala não é blindada. Portanto, que razão haveria para não usar um filtro passa-baixa com um corte em torno de 50 Hz para se livrar dele?

Por último, os métodos de filtragem offline são em grande quantidade. Meu pessoal preferência hoje em dia é coletar o dados brutos e filtro offline. Dessa forma, você tem o bebê e a água, e pode se concentrar, com tentativa e erro, onde o bebê está e onde está a água.


Potenciais de campo locais refletem múltiplas escalas espaciais em V4


Os potenciais de campo local (LFP) refletem as propriedades dos circuitos ou colunas neuronais registrados em um volume em torno de um microeletrodo (Buzs & # x000E1ki et al., 2012). A extensão desse volume de integração tem sido objeto de algum debate, com estimativas variando de algumas centenas de mícrons (Katzner et al., 2009 Xing et al., 2009) a vários milímetros (Kreiman et al., 2006). Estimamos os campos receptivos (RFs) de atividade multi-unidade (MUA) e LFPs em um nível intermediário de processamento visual, na área V4 de dois macacos. A estrutura espacial dos campos receptores LFP variou muito em função do intervalo de tempo após o início do estímulo, com a retinotopia dos LFPs correspondendo à dos MUAs em um conjunto restrito de intervalos de tempo. Uma análise baseada em modelo dos LFPs nos permitiu recuperar dois componentes disparados por estímulos distintos: um componente retinotópico semelhante a MUA que se originou em um pequeno volume ao redor dos microeletrodos (& # x0007E350 & # x003BCm) e um segundo componente que foi compartilhado em toda a região V4, este segundo componente tinha propriedades de ajuste não relacionadas às dos MUAs. Nossos resultados sugerem que o LFP reflete a atividade neural em várias escalas espaciais, o que complica sua interpretação e oferece novas oportunidades para investigar a estrutura em larga escala do processamento de rede.


Filtro de Kalman regularizado para interfaces cérebro-computador usando sinais de potencial de campo local

As interfaces cérebro-computador (BCIs) procuram estabelecer uma conexão direta entre o cérebro e o computador, para uso em aplicações como controle de prótese motora, controle de um cursor no monitor e assim por diante. Conseqüentemente, a precisão da decodificação do movimento dos sinais cerebrais em BCIs é crucial. O filtro de Kalman (KF) é frequentemente usado em sistemas BCI para decodificar a atividade neural e estimar parâmetros cinéticos e cinemáticos. Para usar o KF, a matriz de transição de estado, a matriz de observação e as matrizes de covariância do processo e ruídos de medição devem ser conhecidas com antecedência, no entanto, em muitas aplicações essas matrizes não são conhecidas. Normalmente, para estimar esses parâmetros, o método dos mínimos quadrados ordinários e o estimador da matriz de covariância de amostra são usados. Nosso objetivo é melhorar o desempenho de decodificação do KF em sistemas BCI, melhorando a estimativa dos parâmetros mencionados.

Novo Método

Aqui, propomos o Filtro de Kalman Regularizado (RKF) que implementa duas características fundamentais: 1) Regularização da estimativa de regressão da equação de estado para melhorar a estimativa da matriz de transição de estado, e 2) Uso do método de encolhimento para melhorar a estimativa do matriz de covariância de ruído de medição desconhecida. Validamos o desempenho do método proposto usando dois conjuntos de dados de potenciais de campo locais obtidos do córtex motor de um macaco (estimativa de parâmetros cinemáticos durante o movimento da mão) e três ratos (estimativa da quantidade de força aplicada à mão como um parâmetro cinético).

Resultados

Os resultados demonstram que o método proposto supera o KF convencional, o KF com seleção de características, os mínimos quadrados parciais e as abordagens de regressão Ridge.


Conteúdo

A forma funcional básica de energia potencial em mecânica molecular inclui termos ligados para interações de átomos que estão ligados por ligações covalentes e não ligados (também denominado não covalente) termos que descrevem as forças eletrostáticas de longo alcance e de van der Waals. A decomposição específica dos termos depende do campo de força, mas uma forma geral para a energia total em um campo de força aditivo pode ser escrita como

onde os componentes das contribuições covalentes e não covalentes são dados pelas seguintes somas:

Os termos de ligação e ângulo são geralmente modelados por funções de energia quadrática que não permitem a quebra de ligação. Uma descrição mais realista de uma ligação covalente em maior alongamento é fornecida pelo potencial Morse mais caro. A forma funcional da energia diédrica é variável de um campo de força para outro. Termos adicionais de "torção imprópria" podem ser adicionados para reforçar a planaridade de anéis aromáticos e outros sistemas conjugados, e "termos cruzados" que descrevem o acoplamento de diferentes variáveis ​​internas, como ângulos e comprimentos de ligação. Alguns campos de força também incluem termos explícitos para ligações de hidrogênio.

Os termos não vinculados são computacionalmente mais intensivos. Uma escolha popular é limitar as interações às energias dos pares. O termo de van der Waals é geralmente calculado com um potencial de Lennard-Jones e o termo eletrostático com a lei de Coulomb. No entanto, ambos podem ser armazenados em buffer ou escalonados por um fator constante para contabilizar a polarizabilidade eletrônica. Estudos com essa expressão de energia se concentraram em biomoléculas desde a década de 1970 e foram generalizados para compostos na tabela periódica no início dos anos 2000, incluindo metais, cerâmicas, minerais e compostos orgânicos. [4]

Edição de alongamento de títulos

Como é raro que os títulos se desviem significativamente de seus valores de referência, as abordagens mais simplistas utilizam a fórmula da lei de Hooke:

A constante de alongamento da ligação k i j < displaystyle k_> pode ser determinado a partir do espectro infravermelho experimental, espectro Raman ou cálculos de mecânica quântica de alto nível. A constante k i j < displaystyle k_> determina frequências vibracionais em simulações de dinâmica molecular. Quanto mais forte for a ligação entre os átomos, maior será o valor da constante de força e maior será o número de onda (energia) no espectro IR / Raman. O espectro de vibração de acordo com uma dada constante de força pode ser calculado a partir de trajetórias MD curtas (5 ps) com

1 fs passos de tempo, cálculo da função de autocorrelação de velocidade e sua transformada de Fourier. [5]

Embora a fórmula da lei de Hooke forneça um nível razoável de precisão em comprimentos de ligação próximos à distância de equilíbrio, ela é menos precisa à medida que nos afastamos. Para modelar melhor a curva de Morse, pode-se empregar potências cúbicas e superiores. [2] [6] No entanto, para a maioria das aplicações práticas, essas diferenças são desprezíveis e as imprecisões nas previsões de comprimentos de ligação são da ordem do milésimo de um angstrom, que também é o limite de confiabilidade para campos de força comuns. Um potencial Morse pode ser empregado em vez disso para permitir a quebra da ligação e maior precisão, embora seja menos eficiente para calcular.

Interações eletrostáticas Editar

As interações eletrostáticas são representadas por uma energia Coulomb, que utiliza cargas atômicas q i < displaystyle q_> para representar ligações químicas que variam de ligações covalentes a polares covalentes e iônicas. A fórmula típica é a lei de Coulomb:

Cargas atômicas podem fazer contribuições dominantes para a energia potencial, especialmente para moléculas polares e compostos iônicos, e são críticas para simular a geometria, energia de interação, bem como a reatividade. A atribuição de cargas atômicas muitas vezes ainda segue protocolos de mecânica quântica empíricos e não confiáveis, que muitas vezes levam a vários 100% de incerteza em relação aos valores fisicamente justificados de acordo com os momentos dipolares experimentais e a teoria. [10] [11] [12] Cargas atômicas reproduzíveis para campos de força com base em dados experimentais para densidades de deformação de elétrons, momentos de dipolo interno e um modelo de Born estendido foram desenvolvidos. [12] [4] Incertezas & lt10%, ou ± 0,1e, permitem uma representação consistente da ligação química e uma precisão até cem vezes maior em estruturas e energias calculadas, juntamente com a interpretação física de outros parâmetros no campo de força.

Além da forma funcional dos potenciais, os campos de força definem um conjunto de parâmetros para diferentes tipos de átomos, ligações químicas, ângulos diédricos, interações fora do plano, interações não ligadas e outros termos possíveis. [4] Muitos conjuntos de parâmetros são empíricos e alguns campos de força usam termos de ajuste extensos que são difíceis de atribuir uma interpretação física. [13] Os tipos de átomos são definidos para diferentes elementos, bem como para os mesmos elementos em ambientes químicos suficientemente diferentes. Por exemplo, átomos de oxigênio na água e átomos de oxigênio em um grupo funcional carbonil são classificados como diferentes tipos de campo de força. [14] Conjuntos de parâmetros de campo de força típicos incluem valores para massa atômica, carga atômica, parâmetros de Lennard-Jones para cada tipo de átomo, bem como valores de equilíbrio de comprimentos de ligação, ângulos de ligação e ângulos diédricos. [15] Os termos ligados referem-se a pares, tripletos e quádruplos de átomos ligados e incluem valores para a constante de mola efetiva para cada potencial. A maioria dos parâmetros de campos de força atuais usam um taxa fixa modelo pelo qual a cada átomo é atribuído um valor para a carga atômica que não é afetada pelo ambiente eletrostático local. [12] [16]

Parametrizações de campo de força para simulações com máxima precisão e transferibilidade, por exemplo, IFF, seguem um protocolo bem definido. [4] O fluxo de trabalho pode envolver (1) recuperar uma estrutura de cristal de raios-X ou fórmula química, (2) definir tipos de átomos, (3) obter cargas atômicas, (4) atribuir Lennard-Jones inicial e parâmetros ligados, (5) testes computacionais de densidade e geometria em relação aos dados experimentais de referência, (6) testes computacionais de propriedades energéticas (energia superficial, [17] energia de hidratação [18]) em relação aos dados experimentais de referência, (7) validação secundária e refinamento (térmico, mecânico e propriedades de difusão). [19] Os principais loops iterativos ocorrem entre as etapas (5) e (4), bem como entre (6) e (4) / (3). A interpretação química dos parâmetros e dados de referência experimentais confiáveis ​​desempenham um papel crítico.

Os parâmetros para simulações moleculares de macromoléculas biológicas, como proteínas, DNA e RNA, muitas vezes foram derivados de observações de pequenas moléculas orgânicas, que são mais acessíveis para estudos experimentais e cálculos quânticos. Desse modo, surgem vários problemas, como (1) cargas atômicas não confiáveis ​​de cálculos quânticos podem afetar todas as propriedades computadas e consistência interna, (2) dados diferentes derivados da mecânica quântica para moléculas na fase gasosa podem não ser transferíveis para simulações no condensado fase, (3) o uso de dados para moléculas pequenas e aplicação a estruturas poliméricas maiores envolve incerteza, (4) dados experimentais diferentes com variação na precisão e estados de referência (por exemplo, temperatura) podem causar desvios. Como resultado, parâmetros de campo de força divergentes foram relatados para moléculas biológicas. Os dados experimentais de referência incluíram, por exemplo, a entalpia de vaporização (OPLS), a entalpia de sublimação, os momentos de dipolo e vários parâmetros espectroscópicos. [20] [6] [14] Inconsistências podem ser superadas pela interpretação de todos os parâmetros do campo de força e pela escolha de um estado de referência consistente, por exemplo, temperatura ambiente e pressão atmosférica. [4]

Vários campos de força também incluem nenhuma lógica química clara, protocolo de parametrização, validação incompleta de propriedades-chave (estruturas e energias), falta de interpretação de parâmetros e de uma discussão de incertezas. [21] Nestes casos, grandes desvios aleatórios das propriedades computadas foram relatados.

Métodos Editar

Alguns campos de força incluem modelos explícitos de polarizabilidade, onde a carga efetiva de uma partícula pode ser influenciada por interações eletrostáticas com seus vizinhos. Os modelos núcleo-casca são comuns, que consistem em uma partícula central carregada positivamente, representando o átomo polarizável, e uma partícula carregada negativamente ligada ao átomo central através de um potencial oscilador harmônico semelhante a uma mola. [22] [23] [24] Exemplos recentes incluem modelos polarizáveis ​​com elétrons virtuais que reproduzem cargas de imagem em metais [25] e campos de força biomoleculares polarizáveis. [26] Ao adicionar tais graus de liberdade para polarizabilidade, a interpretação dos parâmetros torna-se mais difícil e aumenta o risco de parâmetros de ajuste arbitrários e compatibilidade diminuída. O gasto computacional aumenta devido à necessidade de calcular repetidamente o campo eletrostático local.

Os modelos polarizáveis ​​funcionam bem quando capturam características químicas essenciais e a carga atômica líquida é relativamente precisa (dentro de ± 10%). [4] [27] Recentemente, esses modelos foram erroneamente chamados de "potenciais de oscilador de Drude". [28] Um termo apropriado para esses modelos é "modelos de oscilador de Lorentz", uma vez que Lorentz [29] em vez de Drude [30] propôs alguma forma de fixação de elétrons aos núcleos. [25] Os modelos Drude assumem o movimento irrestrito dos elétrons, por exemplo, um gás de elétron livre em metais. [30]

Edição de Parametrização

Historicamente, muitas abordagens para parametrização de um campo de força têm sido empregadas. Numerosos campos de força clássicos contaram com protocolos de parametrização relativamente intransparentes, por exemplo, usando cálculos de mecânica quântica aproximados, muitas vezes na fase gasosa, com a expectativa de alguma correlação com propriedades de fase condensada e modificações empíricas de potenciais para coincidir com os observáveis ​​experimentais. [31] [32] [33] Os protocolos podem não ser reproduzíveis e a semi-automação frequentemente desempenha um papel na geração de parâmetros, otimizando para geração rápida de parâmetros e ampla cobertura, e não para consistência química, interpretabilidade, confiabilidade e sustentabilidade.

Ferramentas semelhantes, ainda mais automatizadas, tornaram-se recentemente disponíveis para parametrizar novos campos de força e ajudar os usuários a desenvolver seus próprios conjuntos de parâmetros para produtos químicos que não são parametrizados até o momento. [34] [35] Os esforços para fornecer códigos e métodos de fonte aberta incluem openMM e openMD. O uso de semi-automação ou automação completa, sem entrada de conhecimento químico, provavelmente aumentará as inconsistências no nível das cargas atômicas, para a atribuição dos parâmetros restantes, e provavelmente diluirá a interpretabilidade e o desempenho dos parâmetros.

O campo de força de interface (IFF) assume uma única expressão de energia para todos os compostos no período (com opções 9-6 e 12-6 LJ) e utiliza validação rigorosa com protocolos de simulação padronizados que permitem total interpretabilidade e compatibilidade dos parâmetros, também como alta precisão e acesso a combinações ilimitadas de compostos. [4]

As formas funcionais e os conjuntos de parâmetros foram definidos pelos desenvolvedores de potenciais interatômicos e apresentam graus variáveis ​​de autoconsistência e transferibilidade. Quando as formas funcionais dos termos potenciais variam, os parâmetros de uma função potencial interatômica normalmente não podem ser usados ​​junto com outra função potencial interatômica. [19] Em alguns casos, modificações podem ser feitas com pequeno esforço, por exemplo, entre 9-6 potenciais de Lennard-Jones a 12-6 potenciais de Lennard-Jones. [9] Transferências de potenciais de Buckingham para potenciais harmônicos, ou de modelos de átomos incorporados para potenciais harmônicos, ao contrário, exigiriam muitas suposições adicionais e podem não ser possíveis.

Todos os potenciais interatômicos são baseados em aproximações e dados experimentais, portanto, frequentemente denominados empírico. O desempenho varia de maior precisão do que os cálculos da teoria funcional da densidade, com acesso a sistemas e escalas de tempo milhões de vezes maiores, até suposições aleatórias dependendo do campo de força. [36] O uso de representações precisas de ligações químicas, combinadas com dados experimentais reproduzíveis e validação, pode levar a potenciais interatômicos duradouros de alta qualidade com muito menos parâmetros e suposições em comparação com métodos quânticos de nível DFT. [37] [38]

As possíveis limitações incluem cargas atômicas, também chamadas de cargas pontuais. A maioria dos campos de força depende de cargas pontuais para reproduzir o potencial eletrostático em torno das moléculas, o que funciona menos bem para distribuições de carga anisotrópica. [39] O remédio é que as cargas pontuais tenham uma interpretação clara, [12] e elétrons virtuais podem ser adicionados para capturar características essenciais da estrutura eletrônica, como polarizabilidade adicional em sistemas metálicos para descrever o potencial da imagem, momentos multipolares internos em π- sistemas conjugados e pares solitários na água. [40] [41] [42] A polarização eletrônica do ambiente pode ser melhor incluída usando campos de força polarizáveis [43] [44] ou usando uma constante dielétrica macroscópica. No entanto, a aplicação de um valor de constante dielétrica é uma aproximação grosseira em ambientes altamente heterogêneos de proteínas, membranas biológicas, minerais ou eletrólitos. [45]

Todos os tipos de forças de van der Waals também são fortemente dependentes do ambiente porque essas forças se originam de interações de dipolos induzidos e "instantâneos" (ver Força intermolecular). A teoria original de Fritz London dessas forças se aplica apenas no vácuo. Uma teoria mais geral das forças de van der Waals em mídia condensada foi desenvolvida por A. D. McLachlan em 1963 e incluiu a abordagem original de Londres como um caso especial. [46] A teoria de McLachlan prevê que as atrações de van der Waals na mídia são mais fracas do que no vácuo e seguem o como se dissolve como regra, o que significa que diferentes tipos de átomos interagem de forma mais fraca do que tipos idênticos de átomos. [47] Isso está em contraste com regras combinatórias ou a equação de Slater-Kirkwood aplicada ao desenvolvimento dos campos de força clássicos. o regras combinatórias afirmam que a energia de interação de dois átomos diferentes (por exemplo, C. N) é uma média das energias de interação de pares de átomos idênticos correspondentes (ou seja, C. C e N. N). De acordo com a teoria de McLachlan, as interações das partículas no meio podem ser totalmente repulsivas, como observado para o hélio líquido, [46] no entanto, a falta de vaporização e a presença de um ponto de congelamento contradiz a teoria de interações puramente repulsivas. As medições das forças de atração entre diferentes materiais (constante de Hamaker) foram explicadas por Jacob Israelachvili. [46] Por exemplo, "a interação entre os hidrocarbonetos através da água é cerca de 10% daquela através do vácuo". [46] Esses efeitos são representados na dinâmica molecular por meio de interações de pares que são espacialmente mais densas na fase condensada em relação à fase gasosa e reproduzidas uma vez que os parâmetros para todas as fases são validados para reproduzir a ligação química, densidade e coesão / superfície energia.

Limitações foram fortemente sentidas no refinamento da estrutura da proteína. O principal desafio subjacente é o enorme espaço de conformação de moléculas poliméricas, que cresce além da viabilidade computacional atual quando contém mais de

20 monômeros. [48] ​​Participantes em Avaliação crítica da previsão da estrutura da proteína (CASP) não tentou refinar seus modelos para evitar "um constrangimento central da mecânica molecular, ou seja, que a minimização de energia ou dinâmica molecular geralmente leva a um modelo que é menos parecido com a estrutura experimental". [49] Os campos de força foram aplicados com sucesso para o refinamento da estrutura da proteína em diferentes aplicações de cristalografia de raios-X e espectroscopia de NMR, especialmente usando o programa XPLOR. [50] No entanto, o refinamento é conduzido principalmente por um conjunto de restrições experimentais e interatômicas os potenciais servem principalmente para remover obstáculos interatômicos. Os resultados dos cálculos foram praticamente os mesmos com os potenciais de esfera rígida implementados no programa DYANA [51] (cálculos a partir de dados de NMR) ou com programas de refinamento cristalográfico que não usam nenhuma função de energia. Essas deficiências estão relacionados a potenciais interatômicos e à incapacidade de amostrar efetivamente o espaço de conformação de grandes moléculas. [52] Desse modo, também o desenvolvimento de parâmetros para lidar com esses problemas de grande escala requer novas abordagens. Uma área específica do problema é a modelagem por homologia de proteínas. [ 53] Enquanto isso, funções alternativas de pontuação empírica foram desenvolvidas para acoplamento de ligante, [54] dobramento, [55] [56] [57] refinamento do modelo de homologia, [58] projeto de proteína computacional, [59] [60] [61] e modelagem de proteínas em membranas. [62]

Também foi argumentado que alguns campos de força de proteínas operam com energias que são irrelevantes para o dobramento de proteínas ou ligação de ligantes. [43] Os parâmetros dos campos de força das proteínas reproduzem a entalpia de sublimação, ou seja, a energia de evaporação dos cristais moleculares. No entanto, o dobramento de proteínas e a ligação de ligantes estão termodinamicamente mais próximos da cristalização, ou transições líquido-sólido, como esses processos representam congelando de moléculas móveis em meios condensados. [63] [64] [65] Assim, as mudanças de energia livre durante o dobramento de proteínas ou ligação de ligante devem representar uma combinação de uma energia semelhante ao calor de fusão (energia absorvida durante a fusão de cristais moleculares), uma contribuição de entropia conformacional e energia livre de solvatação. O calor de fusão é significativamente menor do que a entalpia de sublimação. [46] Assim, os potenciais que descrevem dobramento de proteína ou ligação de ligante precisam de protocolos de parametrização mais consistentes, por exemplo, conforme descrito para IFF. Na verdade, as energias das ligações H nas proteínas são

-1,5 kcal / mol quando estimado a partir da engenharia de proteínas ou alfa hélice para dados de transição da bobina, [66] [67] mas as mesmas energias estimadas da entalpia de sublimação dos cristais moleculares foram -4 a -6 kcal / mol, [68] que é relacionado a reformar as ligações de hidrogênio existentes e não formar ligações de hidrogênio do zero. As profundidades dos potenciais de Lennard-Jones modificados derivados de dados de engenharia de proteínas também eram menores do que nos parâmetros de potencial típicos e seguiram os como se dissolve como regra, conforme previsto pela teoria de McLachlan. [43]

Diferentes campos de força são projetados para diferentes propósitos. Todos são implementados em vários softwares de computadores.

MM2 foi desenvolvido por Norman Allinger principalmente para análise conformacional de hidrocarbonetos e outras pequenas moléculas orgânicas. Ele é projetado para reproduzir a geometria covalente de equilíbrio das moléculas com a maior precisão possível. Ele implementa um grande conjunto de parâmetros que é continuamente refinado e atualizado para muitas classes diferentes de compostos orgânicos (MM3 e MM4). [69] [70] [71] [72] [73]

O CFF foi desenvolvido por Arieh Warshel, Lifson e colegas de trabalho como um método geral para unificar estudos de energias, estruturas e vibração de moléculas gerais e cristais moleculares. O programa CFF, desenvolvido por Levitt e Warshel, é baseado na representação cartesiana de todos os átomos e serviu de base para muitos programas de simulação subsequentes.

ECEPP foi desenvolvido especificamente para a modelagem de peptídeos e proteínas. Ele usa geometrias fixas de resíduos de aminoácidos para simplificar a superfície de energia potencial. Assim, a minimização de energia é realizada no espaço dos ângulos de torção das proteínas. Ambos MM2 e ECEPP incluem potenciais para ligações H e potenciais de torção para descrever rotações em torno de ligações simples. ECEPP / 3 foi implementado (com algumas modificações) em Mecânica de Coordenadas Internas e FANTOM. [74]

AMBER, CHARMM e GROMOS foram desenvolvidos principalmente para a dinâmica molecular de macromoléculas, embora também sejam comumente usados ​​para minimizar a energia. Assim, as coordenadas de todos os átomos são consideradas como variáveis ​​livres.

Interface Force Field (IFF) [75] foi desenvolvido como o primeiro campo de força consistente para compostos na tabela periódica. Ele supera as limitações conhecidas de atribuição de cargas consistentes, utiliza condições padrão como um estado de referência, reproduz estruturas, energias e derivados de energia e quantifica as limitações para todos os compostos incluídos. [4] [76] É compatível com múltiplos campos de força para simular materiais híbridos (CHARMM, AMBER, OPLS-AA, CFF, CVFF, GROMOS).

Edição Clássica

    (Construção de modelo assistida e refinamento de energia) - amplamente utilizado para proteínas e DNA.
  • CFF (Consistent Force Field) - uma família de campos de força adaptados a uma ampla variedade de compostos orgânicos, inclui campos de força para polímeros, metais, etc. (Química em HARvard Molecular Mechanics) - originalmente desenvolvido em Harvard, amplamente utilizado para moléculas pequenas e macro moléculas
  • COSMOS-NMR - campo de força híbrido QM / MM adaptado a vários compostos inorgânicos, compostos orgânicos e macromoléculas biológicas, incluindo cálculo semi-empírico de propriedades de NMR de cargas atômicas. COSMOS-NMR é otimizado para elucidação de estrutura baseada em NMR e implementado no pacote de modelagem molecular COSMOS. [77]
  • CVFF - também amplamente utilizado para pequenas moléculas e macromoléculas. [14]
  • ECEPP [78] - primeiro campo de força para moléculas polipeptídicas - desenvolvido por F.A. Momany, H.A. Scheraga e colegas. [79] [80] (GROningen MOlecular Simulation) - um campo de força que vem como parte do software GROMOS, um pacote de simulação de computador de dinâmica molecular de propósito geral para o estudo de sistemas biomoleculares. [81] A versão A do campo de força GROMOS foi desenvolvida para aplicação em soluções aquosas ou apolares de proteínas, nucleotídeos e açúcares. Uma versão B para simular moléculas isoladas em fase gasosa também está disponível.
  • IFF (Interface Force Field) - Primeiro campo de força para cobrir metais, minerais, materiais 2D e polímeros em uma plataforma com precisão de ponta e compatibilidade com muitos outros campos de força (CHARMM, AMBER, OPLS-AA, CFF, CVFF, GROMOS ), inclui as opções 12-6 LJ e 9-6 LJ [4] [75]
  • MMFF (Merck Molecular Force Field) - desenvolvido na Merck para uma ampla gama de moléculas. (Potencial otimizado para simulações líquidas) (variantes incluem OPLS-AA, OPLS-UA, OPLS-2001, OPLS-2005, OPLS3e, OPLS4) - desenvolvido por William L. Jorgensen no Departamento de Química da Universidade de Yale.
  • QCFF / PI - Um campo de força geral para moléculas conjugadas. [82] [83]
  • UFF (Universal Force Field) - Um campo de força geral com parâmetros para a tabela periódica completa até e incluindo os actinóides, desenvolvido na Colorado State University. [21] A confiabilidade é conhecida por ser pobre devido à falta de validação e interpretação dos parâmetros para quase todos os compostos reivindicados, especialmente metais e compostos inorgânicos. [5] [76]

Edição polarizável

  • AMBER - campo de força polarizável desenvolvido por Jim Caldwell e colaboradores. [84]
  • AMOEBA (Energética Atômica Multipolar Otimizada para Aplicações Biomoleculares) - campo de força desenvolvido por Pengyu Ren (Universidade do Texas em Austin) e Jay W. Ponder (Universidade de Washington). [85] O campo de força AMOEBA está gradualmente se movendo para AMOEBA + mais rico em física. [86] [87]
  • CHARMM - campo de força polarizável desenvolvido por S. Patel (University of Delaware) e C. L. Brooks III (University of Michigan). [26] [88] Baseado no oscilador Drude clássico desenvolvido por A. MacKerell (Universidade de Maryland, Baltimore) e B. Roux (Universidade de Chicago). [89] [90]
  • CFF / ind e ENZYMIX - O primeiro campo de força polarizável [91] que foi subsequentemente usado em muitas aplicações em sistemas biológicos. [44]
  • COSMOS-NMR (Computer Simulation of Molecular Structure) - desenvolvido por Ulrich Sternberg e colaboradores. O campo de força híbrido QM / MM permite o cálculo explícito da mecânica quântica de propriedades eletrostáticas usando orbitais de ligação localizados com formalismo BPT rápido. [92] A flutuação da carga atômica é possível em cada etapa da dinâmica molecular.
  • DRF90, desenvolvido por P. Th. van Duijnen e colegas de trabalho. [93]
  • IFF (Interface Force Field) - inclui polarizabilidade para metais (Au, W) e moléculas conjugadas com pi [25] [42] [41]
  • NEMO (Non-Empirical Molecular Orbital) - procedimento desenvolvido por Gunnar Karlström e colegas de trabalho na Lund University (Suécia) [94]
  • PIPF - O potencial intermolecular polarizável para fluidos é um campo de força dipolo-ponto induzido para líquidos orgânicos e biopolímeros. A polarização molecular é baseada no modelo de dipolo interativo (TID) de Thole e foi desenvolvida pelo Jiali Gao Gao Research Group | na Universidade de Minnesota. [95] [96]
  • Polarizable Force Field (PFF) - desenvolvido por Richard A. Friesner e colegas de trabalho. [97]
  • Equalização de Potencial Químico (CPE) com base em SP - abordagem desenvolvida por R. Chelli e P. Procacci. [98]
  • PHAST - potencial polarizável desenvolvido por Chris Cioce e colaboradores. [99]
  • ORIENT - procedimento desenvolvido por Anthony J. Stone (Cambridge University) e colegas de trabalho. [100]
  • Gaussian Electrostatic Model (GEM) - um campo de força polarizável baseado em Density Fitting desenvolvido por Thomas A. Darden e G. Andrés Cisneros no NIEHS e Jean-Philip Piquemal na Universidade Paris VI. [101] [102] [103]
  • Potencial polarizável atomístico para líquidos, eletrólitos e polímeros (APPLE & ampP), desenvolvido por Oleg Borogin, Dmitry Bedrov e colegas de trabalho, que é distribuído pela Wasatch Molecular Incorporated. [104]
  • Procedimento polarizável com base na abordagem Kim-Gordon desenvolvida por Jürg Hutter e colegas de trabalho (Universidade de Zurique) [citação necessária]
  • GFN-FF (Geometria, Frequência e Campo de Força de Interação Não Covalente) - um campo de força genérico parcialmente polarizável totalmente automatizado para a descrição precisa de estruturas e dinâmicas de grandes moléculas na tabela periódica desenvolvida por Stefan Grimme e Sebastian Spicher na Universidade de Bonn. [105]

Edição reativa

  • EVB (ligação de valência empírica) - este campo de força reativa, introduzido por Warshel e colaboradores, é provavelmente a maneira mais confiável e fisicamente consistente de usar campos de força na modelagem de reações químicas em diferentes ambientes. [de acordo com quem?] O EVB facilita o cálculo de energias livres de ativação em fases condensadas e em enzimas. - campo de força reativa (potencial interatômico) desenvolvido por Adri van Duin, William Goddard e colaboradores. It is slower than classical MD (50x), needs parameter sets with specific validation, and has no validation for surface and interfacial energies. Parameters are non-interpretable. It can be used atomistic-scale dynamical simulations of chemical reactions. [13] Parallelized ReaxFF allows reactive simulations on >>1,000,000 atoms on large supercomputers.

Coarse-grained Edit

  • DPD (Dissipative particle dynamics) - This is a method commonly applied in chemical engineering. It is typically used for studying the hydrodynamics of various simple and complex fluids which require consideration of time and length scales larger than those accessible to classical Molecular dynamics. The potential was originally proposed by Hoogerbrugge and Koelman [106][107] with later modifications by Español and Warren [108] The current state of the art was well documented in a CECAM workshop in 2008. [109] Recently, work has been undertaken to capture some of the chemical subtitles relevant to solutions. This has led to work considering automated parameterisation of the DPD interaction potentials against experimental observables. [35] – a coarse-grained potential developed by Marrink and coworkers at the University of Groningen, initially developed for molecular dynamics simulations of lipids, [3] later extended to various other molecules. The force field applies a mapping of four heavy atoms to one CG interaction site and is parameterized with the aim of reproducing thermodynamic properties.
  • SIRAH – a coarse-grained force field developed by Pantano and coworkers of the Biomolecular Simulations Group, Institut Pasteur of Montevideo, Uruguay developed for molecular dynamics of water, DNA, and proteins. Free available for AMBER and GROMACS packages.
  • VAMM (Virtual atom molecular mechanics) – a coarse-grained force field developed by Korkut and Hendrickson for molecular mechanics calculations such as large scale conformational transitions based on the virtual interactions of C-alpha atoms. It is a knowledge based force field and formulated to capture features dependent on secondary structure and on residue-specific contact information in proteins. [110]

Machine learning Edit

  • ANI is a transferable neural network potential, built from atomic environment vectors, and able to provide DFT accuracy in terms of energies. [111]
  • FFLUX (originally QCTFF) [112] A set of trained Kriging models which operate together to provide a molecular force field trained on Atoms in molecules or Quantum chemical topology energy terms including electrostatic, exchange and electron correlation. [113][114]
  • TensorMol, a mixed model, a Neural network provides a short-range potential, whilst more traditional potentials add screened long range terms. [114]
  • Δ-ML not a force field method but a model that adds learnt correctional energy terms to approximate and relatively computationally cheap quantum chemical methods in order to provide an accuracy level of a higher order, more computationally expensive quantum chemical model. [115]
  • SchNet a Neural network utilising continuous-filter convolutional layers, to predict chemical properties and potential energy surfaces. [116]
  • PhysNet is a Neural Network-based energy function to predict energies, forces and (fluctuating) partial charges. [117]

Water Edit

The set of parameters used to model water or aqueous solutions (basically a force field for water) is called a water model. Water has attracted a great deal of attention due to its unusual properties and its importance as a solvent. Many water models have been proposed some examples are TIP3P, TIP4P, [118] SPC, flexible simple point charge water model (flexible SPC), ST2, and mW. [119] Other solvents and methods of solvent representation are also applied within computational chemistry and physics some examples are given on page Solvent model. Recently, novel methods for generating water models have been published. [120]


RESULTADOS

Locomotor activity levels following pseudoephedrine and morphine treatments

The exploratory movements of animals were monitored by using a web-based camera. Patterns of ambulatory behavior were computed by using a tracking system (Fig. 4). The movement patterns of 4 representative animals, during a 60-90 min period, are shown. The effects of treatments were compared to the levels in mice treated with saline control. The results showed that morphine increased animal movements, whereas PSE did not appear to affect animal movements, at either 50 or 100 mg/kg body weight (BW). A one-way ANOVA also confirmed a significant increase in locomotor counts induced by morphine (F(3,35)=31.350, p<0.05) (Fig. 5). No significant difference in locomotor counts was observed following PSE treatments.

Fig. 4.

Monitoring locomotor activity following saline, 50 and 100 mg/kg pseudoephedrine, and 15 mg/kg morphine treatments. A web-based camera was used to record animal movement. The levels of animal movements were detected by a tracking system. Movements within a specific area of the recording chamber are represented by grayscale code.

Fig. 5.

Effects of morphine and pseudoephedrine treatments on locomotor activity levels. Locomotor counts were averaged and expressed as the mean ± S.E.M. The effects of treatment were determined using a one-way ANOVA, followed by multiple comparisons with the Student-Newman-Keuls post hoc teste. n=9. *P≤0.05 compared with the control group.

Local field potential oscillations in the striatum following pseudoephedrine and morphine treatments

Following morphine or PSE treatments, the raw signals of local field potential oscillations were subjected to visual inspection. Brain waves from representative animals, under the four different treatment conditions, were compared (Fig. 6). The results showed that the brain waves from all animals contained both slow and fast activities within the raw signals. PSE treatment, at both 50 and 100 mg/kg BW, appeared to produce similar local field potential patterns as saline treatment. In contrast, differential signaling patterns were observed following 15 mg/kg BW morphine treatment, including additional fast activities, with gamma activity superimposed on basic slow-wave signals.

Fig. 6.

Raw LFP signals in the striatum, following saline, 50 and 100 mg/kg pseudoephedrine, and 15 mg/kg morphine treatments. Representative LFPs of 4 mice per treatment are displayed in the time-domain.

Raw signals were also expressed as spectrograms for inspection of frequency activities in time domain. Spectrograms of representative animals that received four different treatments were shown (Fig. 7). In comparison with the spectrogram for control animals, PSE-treated animals (both 50 and 100 mg/kg BW) appeared to show baseline levels of local field potentials. Relatively similar activities were observed for frequencies below 50 Hz. In contrast, dominant gamma frequency activity was observed following morphine treatment. Gamma activity clearly increased and ebbed within 3 h following morphine treatment.

Fig. 7.

Representative LFP spectrograms, displaying the dynamics of brain wave frequencies, for saline, 50 and 100 mg/kg pseudoephedrine, and morphine treatments. In spectrograms, the values of EEG powers are expressed as a grayscale of frequency against time.

Finally, frequency analyses of local field potentials during a 60-90 min period were focused to reveal the spectral powers in the frequency and time domains. Local field potentials were analyzed and expressed as percent total power every 30 mins (Fig. 8A-F). The results showed increases in the frequency ranges for low-gamma and high-gamma bands, starting from 0-30 min until 150-180 min. Therefore, data from all time periods were collected for statistical analyses. Significant differences in low-gamma and high-gamma powers were found during all examined periods, including 0-30 min [low-gamma (F(3,35)=7.487, p<0.05), high-gamma (F(3,35)=4.261, p<0.05)], 30-60 min [low-gamma (F(3,35)=11.662, p<0.05), high-gamma (F(3,35)=6.262, p<0.05)], 60-90 min [low-gamma (F(3,35)=6.401, p<0.05), high-gamma (F(3,35)=11.755, p<0.05)], 90-120 min [low-gamma (F(3,35)= 4.670, p<0.05), high-gamma (F(3,35)=5.292, p<0.05)], 120-150 min [low-gamma (F(3,35)=7.979, p<0.05), high-gamma (F(3,35)=10.503, p<0.05)], and 150-180 min [low-gamma (F(3,35)=5.709, p<0.05), high-gamma (F(3,35)=7.731, p<0.05)] (Fig. 9). Multiple comparisons also indicated that significant increases in low-gamma and high-gamma powers were only produced by morphine treatment. Neither the 50 nor 100 mg/kg BW PSE dose produced significant differences in power for these frequency bands. Moreover, the gamma powers of a wide frequency range of (35–100 Hz) were analyzed and expressed in the time domain. Gamma power was clearly increased by morphine but not by PSE treatment (Fig. 10A). Both the 50 and 100 mg/kg BW PSE treatment doses produced only baseline levels of gamma activity. Therefore, the averaged gamma powers during the 60–180 min period were statistically analyzed (Fig. 10B). A one-way ANOVA revealed that gamma activity was significantly increased only by the morphine treatment (F(3,35)=9.975, p<0.05). No significant effects on gamma activity were produced by PSE treatments.

Fig. 8.

Frequency analyses of striatal LFP oscillations. Spectral powers following saline, 50 and 100 mg/kg pseudoephedrine, and morphine treatments were analyzed every 30 mins and expressed as a percentage of total power in the frequency domain (A–F).

Fig. 9.

Effects of saline, 50 and 100 mg/kg pseudoephedrine, and 15 mg/kg morphine treatments on low- and high-gamma frequency waves. Data are expressed as the mean ± S.E.M. The effects of treatments were determined using a one-way ANOVA, followed by multiple comparisons (Student-Newman-Keuls post hoc teste). n=10. * P≤0.05 compared with control levels.

Fig. 10.

Time-course analysis of the effects of 50 and 100 mg/kg pseudoephedrine and 15 mg/kg morphine treatments on gamma oscillations (35–100 Hz) in the striatum during a 3 h period. Values were normalized and expressed as a percent of total power (A). The inset values were calculated from the period of 60–180 min (B). Data are expressed as the mean ± S.E.M. The effects of treatments were determined by using a one-way ANOVA, followed by multiple comparisons (Student-Newman-Keuls post hoc teste). n=9. * P≤0.05 compared with control levels.

Sleep-wakefulness following pseudoephedrine and morphine treatments

The effects of PSE and morphine treatments on sleep-wake patterns were analyzed. Data were scored and expressed as the total times of wake, NREM, and REM sleep (Fig. 11). One-way ANOVA revealed significant differences in the wake (F(2,17)=19.263, p<0.05), NREM (F(2,17)= 16.478, p<0.05), and REM (F(2,17)=7.369, p<0.05) sleep periods. Multiple comparisons also indicated that significant increases in the total time spent in all brain states were induced by morphine but not PSE.

Fig. 11.

Effects of 50 and 100 mg/kg pseudoephedrine and 15 mg/kg morphine treatments on sleep-wake cycles. The mean time spent in each brain state is shown. Sleep-wake data were analyzed from EEG signals recorded for 3 h following treatment. Data are expressed as the mean ± S.E.M. The effects of treatment were determined by using a one-way ANOVA, followed by multiple comparisons (Student-Newman-Keuls post hoc teste). n=9. * P≤0.05 compared with control levels.


Intrinsic dendritic filtering gives low-pass power spectra of local field potentials

The local field potential (LFP) is among the most important experimental measures when probing neural population activity, but a proper understanding of the link between the underlying neural activity and the LFP signal is still missing. Here we investigate this link by mathematical modeling of contributions to the LFP from a single layer-5 pyramidal neuron and a single layer-4 stellate neuron receiving synaptic input. An intrinsic dendritic low-pass filtering effect of the LFP signal, previously demonstrated for extracellular signatures of action potentials, is seen to strongly affect the LFP power spectra, even for frequencies as low as 10 Hz for the example pyramidal neuron. Further, the LFP signal is found to depend sensitively on both the recording position and the position of the synaptic input: the LFP power spectra recorded close to the active synapse are typically found to be less low-pass filtered than spectra recorded further away. Some recording positions display striking band-pass characteristics of the LFP. The frequency dependence of the properties of the current dipole moment set up by the synaptic input current is found to qualitatively account for several salient features of the observed LFP. Two approximate schemes for calculating the LFP, the dipole approximation and the two-monopole approximation, are tested and found to be potentially useful for translating results from large-scale neural network models into predictions for results from electroencephalographic (EEG) or electrocorticographic (ECoG) recordings.

Esta é uma prévia do conteúdo da assinatura, acesso através de sua instituição.


CONCLUSÃO

Altogether, the present findings demonstrated clear evidence of the psychostimulatory effects produced by morphine but found no similar effects for PSE. Previous studies have reported that cellular activity in the striatum was induced by PSE treatment. However, the present study confirmed that CNS activities induced by PSE have no detectable output at the levels of locomotor activity and local field potential oscillations in the striatum following acute treatment. Further studies might be necessary to examine the chronic effects of PSE on oscillations in the basal ganglia and locomotion compared with the levels produced by standard stimulant drugs. At this stage, these data support the use of PSE for the acute treatment of occasional nasal congestion. The continuous use of PSE for chronic diseases, such as allergic rhinitis or allergic with asthma, may not be recommended.


Fundo

Historically, the mammalian neocortex has been viewed as the pinnacle of brain evolution. The highly structured six-layered laminar cytoarchitecture of the neocortex and the associated computational properties contributing to complex cognition added to this view. However, exactly how laminar cytoarchitecture and associated neurophysiological processes mediate complex cognition remains poorly understood. Our understanding of how the neocortex works can be informed by comparisons with other animals. Notably, comparisons with non-mammalian groups lacking laminar cytoarchitecture, as is the case in birds, can be used to isolate traits that depend upon laminar cytoarchitecture from those that do not. In this study, we use this comparative approach to gain insight into the neocortex by examining sleep-related neuronal activity in the avian brain.

A growing body of research suggests that the brain rhythms occurring during sleep are involved in processing information acquired during wakefulness [1]. Notably, the slow (typically <1 Hz) oscillation of neocortical neuronal membrane potentials between a depolarized “up-state” with action potentials, and a hyperpolarized “down-state” with neuronal quiescence occurring during non-rapid eye movement (NREM) sleep and some types of anesthesia is the focus of several hypotheses for the function of sleep [2–4]. The term ‘slow-oscillation’ is in wide-spread use even though the interval between down-states is variable and individual cycles of the slow-oscillation originate from different neocortical locations [5–8]. Slow-oscillations manifest in electroencephalogram (EEG) or local field potential (LFP) recordings as high-amplitude, slow-waves that propagate across the mammalian neocortex as traveling waves [5, 7–15], raising the possibility that they are involved in processing spatially distributed information [1, 16] via processes such as spike timing-dependent plasticity [17]. However, it remains unknown whether the traveling nature of slow-oscillations reflects a feature unique to the laminar cytoarchitecture and associated computational properties of the neocortex [18] or a more general aspect of sleep-related neuronal activity.

To distinguish between these alternatives, we studied brain activity in birds, the only non-mammalian group known to exhibit slow-oscillations [19] and associated EEG slow-waves comparable to those observed in mammals during NREM sleep [20, 21]. This similarity between mammals and birds is particularly interesting because unlike the laminar mammalian neocortex, neurons in the avian forebrain are arranged in a largely nuclear manner [22]. Specifically, the hyperpallium, a region developmentally homologous and functionally similar to the mammalian primary visual and somatosensory/motor cortices [23, 24], lacks the laminar arrangement of neurons, including pyramidal neurons with long trans-layer apical dendrites found in the six-layered mammalian neocortex and in the three-layered dorsal cortex of the closest living reptilian relatives to birds [24]. Instead, the hyperpallium is composed of long flat nuclei stacked one on top of the other running along the dorsal-medial-anterior surface of the brain, each of which is composed of stellate neurons with short spiny dendrites and axonal projections within and between nuclei [24, 25]. Interestingly, this cytoarchitecture is even found within high-order association regions in the avian brain (that is, mesopallium and nidopallium) involved in orchestrating complex cognitive tasks, in some cases comparable to those performed by primates [26].

We recorded intracerebral potentials in the zebra finch (Taeniopygia guttata) hyperpallium and nidopallium to evaluate whether traveling slow-waves are unique to mammals, or are shared with birds irrespective of fundamental differences in cytoarchitectonic organization.


Referências

Bandettini, P.A., Wong, E.C., Hinks, R.S., Tikofsky, R.S. & Hyde, J.S. Time course EPI of human brain function during task activation. Magn. Reson. Med. 25, 390–397 (1992).

Ogawa, S. et al. Intrinsic signal changes accompanying sensory stimulation: functional brain mapping with magnetic resonance imaging. Proc. Natl. Acad. Sci. EUA 89, 5951–5955 (1992).

Kwong, K.K. et al. Dynamic magnetic resonance imaging of human brain activity during primary sensory stimulation. Proc. Natl. Acad. Sci. EUA 89, 5675–5679 (1992).

Kim, S.G. & Ugurbil, K. Functional magnetic resonance imaging of the human brain. J. Neurosci. Métodos 74, 229–243 (1997).

Logothetis, N.K. & Wandell, B.A. Interpreting the BOLD signal. Annu. Rev. Physiol. 66, 735–769 (2004).

Duong, T.Q., Kim, D.S., Ugurbil, K. & Kim, S.G. Localized cerebral blood flow response at submillimeter columnar resolution. Proc. Natl. Acad. Sci. EUA 98, 10904–10909 (2001).

Kim, D.S. et al. Spatial relationship between neuronal activity and BOLD functional MRI. Neuroimage 21, 876–885 (2004).

Zheng, Y. et al. A model of the hemodynamic response and oxygen delivery to the brain. Neuroimage 16, 617–637 (2002).

Thompson, J.K., Peterson, M.R. & Freeman, R.D. Separate spatial scales determine neural activity–dependent changes in tissue oxygen within central visual pathways. J. Neurosci. 25, 9046–9058 (2005).

Offenhauser, N., Thomsen, K., Caesar, K. & Lauritzen, M. Activity-induced tissue oxygenation changes in rat cerebellar cortex: interplay of postsynaptic activation and blood flow. J. Physiol. (Lond.) 565, 279–294 (2005).

Thompson, J.K., Peterson, M.R. & Freeman, R.D. Single-neuron activity and tissue oxygenation in the cerebral cortex. Ciência 299, 1070–1072 (2003).

Fatt, I. Polarographic Oxygen Sensors 197–218 (CRC Press, Cleveland, Ohio, 1976).

Mathiesen, C., Caesar, K., Akgoren, N. & Lauritzen, M. Modification of activity-dependent increases of cerebral blood flow by excitatory synaptic activity and spikes in rat cerebellar cortex. J. Physiol. (Lond.) 512, 555–566 (1998).

Logothetis, N.K., Pauls, J., Augath, M., Trinath, T. & Oeltermann, A. Neurophysiological investigation of the basis of the fMRI signal. Natureza 412, 150–157 (2001).

Caesar, K., Thomsen, K. & Lauritzen, M. Dissociation of spikes, synaptic activity, and activity-dependent increments in rat cerebellar blood flow by tonic synaptic inhibition. Proc Natl Acad Sei. EUA 100, 16000–16005 (2003).

Devor, A. et al. Coupling of total hemoglobin concentration, oxygenation, and neural activity in rat somatosensory cortex. Neuron 39, 353–359 (2003).

Mukamel, R. et al. Coupling between neuronal firing, field potentials, and fMRI in human auditory cortex. Ciência 309, 951–954 (2005).

Niessing, J. et al. Hemodynamic signals correlate tightly with synchronized gamma oscillations. Ciência 309, 948–951 (2005).

Logothetis, N.K. The underpinnings of the BOLD functional magnetic resonance imaging signal. J. Neurosci. 23, 3963–3971 (2003).

Henrie, J.A. & Shapley, R. LFP power spectra in V1 cortex: the graded effect of stimulus contrast. J. Neurophysiol. 94, 479–490 (2005).

Malonek, D. & Grinvald, A. Interactions between electrical activity and cortical microcirculation revealed by imaging spectroscopy: implications for functional brain mapping. Ciência 272, 551–554 (1996).

Kreiman, G. et al. Object selectivity of local field potentials and spikes in the macaque inferior temporal cortex. Neuron 49, 433–445 (2006).

Liu, J. & Newsome, W.T. Local field potential in cortical area MT: stimulus tuning and behavioral correlations. J. Neurosci. 26, 7779–7790 (2006).

Rager, G. & Singer, W. The response of cat visual cortex to flicker stimuli of variable frequency. EUR. J. Neurosci. 10, 1856–1877 (1998).

Hawken, M.J., Shapley, R.M. & Grosof, D.H. Temporal-frequency selectivity in monkey visual cortex. Vis. Neurosci. 13, 477–492 (1996).

Gilbert, C.D. Laminar differences in receptive field properties of cells in cat primary visual cortex. J. Physiol. (Lond.) 268, 391–421 (1977).

Vanzetta, I. & Grinvald, A. Increased cortical oxidative metabolism due to sensory stimulation: implications for functional brain imaging. Ciência 286, 1555–1558 (1999).

Issa, N.P., Trepel, C. & Stryker, M.P. Spatial frequency maps in cat visual cortex. J. Neurosci. 20, 8504–8514 (2000).

Wilke, M., Logothetis, N.K. & Leopold, D.A. Local field potential reflects perceptual suppression in monkey visual cortex. Proc Natl Acad Sei. EUA 103, 17507–17512 (2006).

von Stein, A., Chiang, C. & Konig, P. Top-down processing mediated by interareal synchronization. Proc Natl Acad Sei. EUA 97, 14748–14753 (2000).

Jokisch, D. & Jensen, O. Modulation of gamma and alpha activity during a working memory task engaging the dorsal or ventral stream. J. Neurosci. 27, 3244–3251 (2007).

Maex, R. & Orban, G.A. Model circuit of spiking neurons generating directional selectivity in simple cells. J. Neurophysiol. 75, 1515–1545 (1996).


Band-pass and band-stop filters

Note that filters do not remove all of the energy outside of their pass band (the pass band is the frequencies between X and Y for a band pass filter, and below X and above Y for a band stop filter). Generally, the further away from the cut off frequencies (X and Y), the greater the attenuation of the energy. How fast the attenuation increases as a function of frequency is established by parameters (primarily “Q”) of the filter. Real filters will also attenuate within the pass band, and there are some tradeoffs in the selection of parameters.

Page last modified 23Dec2014

Associated Applications

Associated Disciplines

Practical Lab Kit with BSL 4 & MP41

BSL Home enables students to safely conduct hands-on physiology labs wherever they are! Purchase this complete lab solution to preserve practical lab experience! Includes MP41 Unit+Lead Set with BSL Home software, EL503 electrodes, WRAP1 self-adhering wrap for EEG lessons, and disposable 9 V battery. For instructors—BSL Home makes it easy for instructors to continue running practical [&hellip]

New Citations | Large Group Studies

BIOPAC provides software and hardware that allows research teams to study large group interactions. Here are a few notable studies using BIOPAC equipment for large group research focusing on participation and EDA data. Participation is Key Active participation in education is always thought to lead to better results. Using two groups of six students, TA’s led labs using [&hellip]

Electrocardiography Guide Now Available

BIOPAC’s comprehensive Introductory ECG Guide addresses fundamental to advanced concerns to optimize electrocardiography data recording and analysis. Topics include: ECG Complex Electrical and Mechanical Sequence of a Heartbeat Systole and Diastole Configurations for Lead I, Lead II, Lead III, 6-lead ECG, 12-lead ECG, precordial leads Ventricular Late Potentials (VLPs) ECG Measurement Tools Automated Analysis Routines for extracting, [&hellip]


Assista o vídeo: Line Gessø handler lokalt (Janeiro 2022).