Resumen de Topological analysis of neuronal activity and hippocampal sharp-waveripples
Comprender la estructura específca de las características de las nubes de datos se ha convertido en un desafío, especialmente en el ámbito de la neurociencia. Esta pregunta surge durante el estudio de las representaciones neuronales (p. ej., codifcación espacial) o en el análisis de señales neurofsiológicas, como las ondas de onda aguda (’ripples’) del hipocampo. Para abordar este desafío, presentamos el Índice de Estructura (SI), una métrica basada en grafos y diseñada para cuantifcar la distribución de valores de características proyectados sobre datos en espacios D-dimensionales defnidos por neuronas o marcas de tiempo. A través del estudio de una variedad de nubes de datos, demostramos la capacidad de SI para dilucidar el grado de organización local y global de la distribución de características. Cuando se aplica a datos experimentales de células de dirección, el SI extrae de manera confable la estructura de diversas representaciones dimensionales en varios estados conductuales. Ampliando la versatilidad del SI, también demostramos su aplicabilidad a la categorización de sonidos como prefacio de su uso en muestras temporales. A continuación, consideramos las ondas ’ripples’ del hipocampo. Durante estos eventos, se reactivan secuencias de actividad responsables de la formación y consolidación de la memoria. Curiosamente, la variabilidad intrínseca de los ’ripples’ a menudo sigue siendo difícil de estudiar utilizando los métodos espectrales empleados tradicionalmente en este campo. Al aplicar nuestro enfoque, aprovechamos técnicas de reducción topológica y de dimensionalidad para profundizar en las formas de ondas registradas en el hipocampo de roedor. Nuestros análisis muestran que las formas de onda ’ripples’ no son eventos aislados; más bien, existen en un continuo dentro de un espacio de dimensiones reducidas, encapsulando información sobre las entradas sinápticas subyacentes. Nuestras observaciones incluyen la segregación diferenciada de formas de onda durante diversos estados como la vigilia y el sueño, especialmente en el contexto de tareas cognitivas, así como el papel de la novedad y el aprendizaje. En conjunto, esta tesis cierra la brecha entre las herramientas topológicas avanzadas y el análisis de datos neuronales, ofreciendo nuevos conocimientos sobre las representaciones neuronales y la variabilidad inherente de las ondas ’ripples’. Proporcionamos un conjunto de herramientas computacionales para comprender e interpretar datos neuronales complejos, lo que resulta inmensamente prometedor para futuras investigaciones en neurociencia y ciencia de datos
