Actualmente, los neurocientíficos están trabajando diligentemente para comprender la dinámica de miles de neuronas acopladas. Comprender cómo operan requiere modelos precisos. El problema es que cada uno de los modelos de neurociencia existentes tiene sus propias deficiencias. Los físicos rusos tienen, por primera vez, desarrolló un método eficaz para resolver las ecuaciones de un modelo dinámico teórico de neurociencia conocido y hacerlo más biológicamente relevante.

Estos hallazgos se acaban de publicar en EPJ Plus por Eugene Postnikov y Olga Titkova de la Universidad Estatal de Kursk, Rusia. No solo podrían ayudar a resolver problemas en las neurociencias, pero también podría proporcionar una comprensión más profunda de la actividad neuronal en el sector emergente de la dinámica neurovascular, que describe la interacción entre las neuronas del cerebro y el flujo sanguíneo.

El modelo de neurociencia más biológicamente exacto es el modelo de Hodgkin-Huxley (HH) de 1952, que le valió a sus inventores el Premio Nobel de Fisiología y Medicina de 1963. Este modelo proporciona una comprensión de la dinámica de las neuronas como objetos físicos similares a los circuitos eléctricos. Por el contrario, el modelo teórico más extendido es el modelo de FitzHugh-Nagumo (FHN), un modelo cualitativo que reproduce las principales características de los patrones de dinámica neuronal sin proporcionar información biológica cuantificable.

Los intentos anteriores de modelar la actividad neuronal en cerebros reales implicaron combinar las corrientes eléctricas dentro de compartimentos microscópicos para cada una de las miles de neuronas individuales. En lugar de, los autores partieron de las soluciones macroscópicas de una versión simplificada del modelo HH biológicamente preciso, que refleja la medición en un nervio del voltaje global de los picos neuronales que evolucionan con el tiempo.

Luego cambiaron los parámetros del modelo FHN para que las características clave de su salida gráfica coincidieran con las de la curva de voltaje real registrada en la neurona. Los autores demostraron que, para que el modelo FHN se asemeje lo más posible a la realidad biológica, debe incluir la dependencia de las corrientes externas. Esta propiedad proporciona información valiosa sobre la dinámica de los sistemas neuronales acoplados.