haku: @keyword stokastinen optimointi / yhteensä: 4
hakutulos-lista
viite: 3 / 4
« edellinen | seuraava »
Tekijä:Laakso, Risto Sakari
Työn nimi:Algorithmic description of pyramidal neuron populations from mouse neocortex
Algoritminen kuvaus hiiren etuaivojen pyramiidisista neuronipopulaatioista
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2010
Sivut:[6] + 40 s. + liitt. 21      Kieli:   eng
Koulu/Laitos/Osasto:Lääketieteellisen tekniikan ja laskennallisen tieteen laitos
Oppiaine:Laskennallinen tekniikka   (S-114)
Valvoja:Lampinen, Jouko
Ohjaaja:Krieger, Patrik
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201203151586
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  932   | Arkisto
Avainsanat:computational neuroscience
neuroanatomy
dendrite morphology
neocortex
pyramidal cell
Netmorph
stochastic optimization
Retrospective Approximation
Nelder-Mead
Kolmogorov-Smirnov
laskennallinen neurotiede
neuroanatomia
dendriittien morfologia
neokorteksi
pyramidineuroni
Netmorph
stokastinen optimointi
Retrospective Approximation
Nelder-Mead
Kolmogorov-Smirnov
Tiivistelmä (fin): Groh et al (2010) tutkivat suuria pyramiidineuroneja hiiren neokorteksissa.
Tässä työssä kyseistä neuronidataa analysoitiin statististen menetelmien avulla ja käytettiin laskennallisen neuronikasvumallin optimointiin.
Hiiren aivoista saadun datan ja laskennallisella mallilla saatavien neuronirakenteiden eroja tutkittiin sekä vertailtiin aivojen eri osissa olevia eroja.

Kaksi L5 pyramidineuronipopulaatiota merkittiin geneettisesti (etv, glt) vihreällä fluoresenssiproteiinilla.
Populaatiot poimittiin somatosensoorisesta (barrel) korteksista ja visuaalikorteksista.
Neuronien rakenteet rekonstruoitiin kolmiulotteisena mikroskoopin ja Neurolucida-ohjelmiston avulla (Groh et al 2010).
Kolmiulotteinen data analysoitiin tässä työssä haarautumis- ja pituusominaisuuksien saamiseksi mallin optimisointia varten.

Netmorph-simulaattorilla (Koene et al 2009) voidaan tehdä malleja suurien pyramidineuronien luomiseksi.
Mallien parametreja voidaan optimoida stokastisilla menetelmillä.
Menetelmäksi valittiin Retrospecive Approximation-optimointi jossa käytettiin lisäksi Nelder-Mead suorahakua.
Optimoinnissa malli pyritään saamaan vastaamaan hiiren aivoista saatua dataa.
Optimoinnin onnistumisen arviointiin käytettiin Kolmogorov-Smirnov testiä.

Optimoiduilla Netmorph-malleilla saatiin luotua realistia neuronirakenteita jotka vastasivat myös statistisesti tietyin osin hiirestä saatuja näytteitä.
Suurien neuroniverkkojen luominen olisi mahdollista saatujen tulosten avulla, ja niiden elektrofysiologisia ominaisuuksia voitaisiin tutkia esimerkiksi NEURON-ohjelmistolla simuloiden.
Tiivistelmä (eng): Large pyramidal neurons from the mouse neocortex have been studied by Groh et al (2010).
In this thesis the neuronal data was statistically analyzed for structural features, and used to optimize computational models to create realistic neuronal morphologies.
The mouse data and model generated morphologies were studied for populational differences in cortical areas.

Two populations of layer 5 pyramidal neurons were genetically labeled with enhanced green fluorescent protein and extracted from the somatosensory (barrel) cortex and the visual cortex in a previous study by Groh et al.
The neuronal morphologies were reconstructed in 3D using microscope and Neurolucida software.
The 3D data was analyzed in this thesis for the branching and length features needed for model optimization.

Computational models were constructed in the Netmorph simulator to generate large pyramidal neurons.
The model parameters were optimized with the Retrospective Approximation method with a Nelder-Mead direct search to generate statistical distributions similar to the mouse data.
The model optimization was evaluated with Kolmogorov-Smirnov goodness-of-fit tests.

The optimized Netmorph models were able to generate realistic and statistically similar morphologies to the experimental data.
Large-scale networks could also be constructed and used for subsequent electrophysiological simulation in e.g.
NEURON software.
ED:2011-05-06
INSSI tietueen numero: 41647
+ lisää koriin
« edellinen | seuraava »
INSSI