OsvaldoVargasJaques DO Corrigida

Universidade de So Paulo
Instituto de Fsica de So Carlos
Osvaldo Vargas Jaques
Evoluo do relacionamento entre dinmica

e topologia em redes neuronais: uma
abordagem computacional
So Carlos, SP
2013
Osvaldo Vargas Jaques
Evoluo do relacionamento entre dinmica

e topologia em redes neuronais: uma
abordagem computacional
Tese apresentada ao Programa de PsGraduao em Fsica do Instituto de Fsica de

So Carlos da Universidade de So Paulo, para
obteno do ttulo de Doutor em Cincias.
rea de Concentrao: Fsica Aplicada
Opo: Fsica Computacional
Orientador: Prof. Dr. Luciano da Fontoura
Costa
Verso Corrigida
(verso original disponvel na Unidade que aloja o Programa)
So Carlos, SP
2013
AUTORIZO A REPRODUO E DIVULGAO TOTAL OU PARCIAL DESTE

TRABALHO, POR QUALQUER MEIO CONVENCIONAL OU ELETRNICO PARA
FINS DE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE.
Ficha catalogrfica elaborada pelo Servio de Biblioteca e Informao do IFSC,

com os dados fornecidos pelo(a) autor(a)
Jaques, Osvaldo Vargas
Evoluo do relacionamento entre dinmica e
topologia: uma abordagem / Osvaldo Vargas Jaques;
orientador Luciano da Fontoura Costa - verso
corrigida -- So Carlos, 2013.
106 p.
Tese (Doutorado - Programa de Ps-Graduao em
Fsica Bsica) -- Instituto de Fsica de So Carlos,
Universidade de So Paulo, 2013.
1. Redes complexas. 2. Redes neuronais. 3.
Relacionamentos entre dinmica e topologia. 4.
Morfologia. I. Costa, Luciano da Fontoura, orient.
II. Ttulo.
Tese apresentada ao Programa de Ps-Graduao em Fsica do Instituto de Fsica de So

Carlos da Universidade de So Paulo, para obteno do ttulo de Doutor em Cincias.
Aos meus falecido pais, Floriano e Raquela. Deixaram seu corpo em So Carlos e a saudade sem fim como paga destes meus estudos. Seo Jaques foi um
homem cento por cento, como os conhecidos e amigos diziam. Eu tenho orgulho
de herdar seu nome. Que o Grande Arquiteto do Universo os ampare e guarde.
AGRADECIMENTOS
Ao Altssimo No Revelado, mas cuja manifestao est em todo lugar, pois estamos aqui
para aprender. No temos meios cientficos para provar sua existncia, mas tambm no temos
como provar sua no existncia.
FUNDECT - Fundao de Apoio ao Ensino, Cincia e Tecnologia do Estado de Mato
Grosso do Sul, pelos trs anos de bolsa, Edital Chamada FUNDECT/CAPES No 07/2006
Doutorado no Pas, protocolo 5727.240.4438.12022007.
UEMS e Comisso de Capacitao Docente pelo afastamento para qualificao docente.
esposa Marisa, mulher forte e guerreira, minha admirao por voc cresce cada vez
mais.
Ao meu orientador, professor doutor Luciano da Fontoura Costa, que teve pacincia durante meu processo depressivo, alm de tenacidade para dirigir o trmino deste trabalho.
Ao colega e pythonista Csar Comin, cujo conhecimento de script Python ajudaram a
no reinventar a roda.
Aos demais colegas do CYVISION GROUP pelas sugestes e inquiries.
Aqui h drages, escreviam os antigos cartgrafos, demarcando

os desconhecido ameaador. ...ainda h muitas reas infestadas
de drages em nosso mapa mental a respeito de como as diferentes partes do mundo se encaixam, do universo microscpico
fechado dentro de uma clula ao mundo ilimitado da Internet.
Uma boa notcia que recentemente os cientistas comearam a
mapear nossa interconectividade.
LINKED - AlbertLsl Barabsi
RESUMO
JAQUES, Osvaldo V. Evoluo do relacionamento entre dinmica e topologia: uma

abordagem computacional. 2013. 106 p. Tese (Doutorado) Instituto de Fsica de So
Carlos, Universidade de So Paulo, So Carlos, 2013.
Esta tese aborda o interrelacionamento entre morfologia, topologia e dinmica de ativao

em redes neuronais morfologicamente realistas, construdas com neurnios da base pblica
Neuromorpho. Foi desenvolvido um arcabouo computacional capaz de simular a dinmica de
ativao neuronal (atravs do modelo integra-e-dispara) ao longo do desenvolvimento da conexo das redes tridimensionais respectivas. Tal arcabouo permitiu investigar como aspectos
da dinmica de ativao variam ao longo das pocas de desenvolvimento das redes, incluindo
antes, durante e depois da percolao. Em particular, calcularam-se correlaes de Pearson
entre vrias medidas dinmicas e topolgicas ao longo das pocas de evoluo, de forma a
se quantificar de maneira objetiva os possveis relacionamentos entre a ativao neuronal e a
topologia das redes. Foram considerados trs tipos de neurnios piramidais: occipitais e prfrontais de humanos e clulas piramidais de macado (macaco Rhesus). Os dois primeiros tipos
foram verificados (atravs de histogramas de mdias e anlise por componentes principais)
possurem caractersticas morfolgicas semelhantes, enquanto o grupo de clulas piramidais
do macaco apresentaram substancial diferenciao. Vrios resultados foram obtidos respectivamente s correlaes entre medidas dinmicas e topolgicas. Em particular, verificou-se que
os graus mdios de entrada e sada das redes esto significativamente correlacionados com as
taxas mdias de ativao, convergindo rapidamente aps a formao do componente fraco. A
correlao do grau de entrada mostrou-se mais elevada do que a obtida para o grau de sada.
Alm disto, a correlao entre o grau de entrada e a taxa mdia de disparos tendeu a diminuir
ao longo das pocas finais das simulaes. Verificou-se tambm como os perfis de evoluo
de vrias correlaes entre dinmica e topologia implicam na diferenciao dos tipos neuronais
considerados.
Palavras-chave: Redes complexas. Redes neuronais. Relacionamento entre dinmica e

topologia. Morfologia.
ABSTRACT
JAQUES, Osvaldo V. Evolution of the relationship between dynamics and topology a
computational approach. 2013. 106 p. Thesis (PhD) Instituto de Fsica de So Carlos,
Universidade de So Paulo, So Carlos, 2013.
This thesis addresses the interrelationships between morphology, topology and activation dynamics in morphologically realistic neuronal networks, derived from the public data base Neuromorpho. A computational framework has been developed that is capable of simulating the
dynamics of neuronal activation (via the integrate-and-fire dynamics) during the development
of the network connection in three-dimensional spaces. This framework allowed to investigate
how aspects of the activation dynamics vary over the epochs of network development, including
before, during and after the critical event of percolation. In particular, we calculated Pearson
correlation coefficients between various topological and dynamical measurements throughout
the epochs of evolution, in order to quantify in an objective way how the relationships between
neuronal activation and network topology changed along the development of the connectivity. We considered three types of neurons: occipital and prefrontal pyramidal cells of human
and diverse pyramidal cells of monkey individuals (monkey Rhesus). The first two types were
found (via histograms and principal component analysis) to have mostly similar morphological
characteristics, while the group of pyramidal cells from apes showed substantial differentiation. Several results were obtained respectively to the correlations between measurements of
dynamics and morphology along the epochs of development. In particular, it was found that
the input and output average degrees of the network are significantly correlated with the average rates of activation. After a period of large variation that precedes the formation of the
weakly connected component, these correlation values converge rapidly to a regime of smooth
decrease which suggests saturation of the activation in the network. The correlation implied
by the indegree proved to be clearly higher than that obtained for the outdegree. It was also
investigated how the profiles of the various correlations along the development epochs implied
in the differentiation between the neuronal types considered.
Keywords: Complex networks. Neuronal networks. Relashionship between dynamics and

topology. Morphology.
LISTA DE FIGURAS
1.1 - Principais temas abordados na tese. . . . . . . . . . . . . . . . . . . . 26
2.1 - Estrutura de um neurnio. . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 - Sinapse.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 - Potencial de ao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.4 - Tipos de neurnios. . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5 - Clulas de Purkinje. . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.6 - Neurnio piramidal. . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.7 - Base neuromorpho. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.8 - Arquivo em notao swc.
. . . . . . . . . . . . . . . . . . . . . . . . 36
2.9 - Descrio do soma em swc. . . . . . . . . . . . . . . . . . . . . . . . 37

2.10 - Segmento em traado swc. . . . . . . . . . . . . . . . . . . . . . . . . 37
2.11 - Componentes de um neurnio. . . . . . . . . . . . . . . . . . . . . . . 39
2.12 - Grafo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.13 - Digrafo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.14 - Grafo de custos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.15 - Grafos regulares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.16 - Grafos isomorfos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.17 - Subgrafo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.18 - Grafo bipartido. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.19 - Hiper grafo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.20 - Componentes Conexos. . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.21 - rvores.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.22 - Histograma dos graus de uma rede ER. . . . . . . . . . . . . . . . . . 53

2.23 - Componente gigante. . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.24 - Redes WS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

2.25 - Redes BA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.26 - Distribuio BA em escala logartmica . . . . . . . . . . . . . . . . . . 58
2.27 - Rede Waxman. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.28 - Exemplo de percolao. . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.29 - Momento da percolao. . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.30 - Ponto crtico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.31 - Formao do componente gigante em redes neuronais. . . . . . . . . . 65
2.32 - Tipo de dinmica em rede. . . . . . . . . . . . . . . . . . . . . . . . . 66
2.33 - Ativao por limiar. . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.34 - Modelo Integra e dispara. . . . . . . . . . . . . . . . . . . . . . . . . 67
2.35 - Nmero de disparos para redes formadas por neurnios do hipocampo. . 69
2.36 - Um modelo de rede morfolgica. . . . . . . . . . . . . . . . . . . . . . 71
3.1 - Ilustrao da organizao das redes simuladas ao longo de um plano-xz.
O eixo principal das clulas orientado ao longo do eixo y. . . . . . . . 74
3.2 - Transformada Karhunen-Love. . . . . . . . . . . . . . . . . . . . . . 74
3.3 - Normalizao na projeo do plano-xz. . . . . . . . . . . . . . . . . . 75
3.4 - Exemplo dinmica neuronal. . . . . . . . . . . . . . . . . . . . . . . . 77
3.5 - Matriz de disparos (spikegram). . . . . . . . . . . . . . . . . . . . . . 78
3.6 - Neurnios piramidais occipitais. . . . . . . . . . . . . . . . . . . . . . 80
3.7 - Neurnios piramidais pr-frontais. . . . . . . . . . . . . . . . . . . . . 81
3.8 - Neurnios piramidais crtex macaco. . . . . . . . . . . . . . . . . . . 82
3.9 - Histograma de medidas neuromorpho das trs classes. . . . . . . . . . 83
3.10 - PCA para medidas das trs classes neuronais, occipital, pr-frontal e
crtex de macaco. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.11 - Funo discriminante cannica para medidas das trs classes neuronais,
occipital, pr-frontal e crtex de macaco. . . . . . . . . . . . . . . . . 85
3.12 - Medidas de topologia e dinmica para redes de neurnios do crtex de

macaco ao longo das pocas. . . . . . . . . . . . . . . . . . . . . . . 86
3.13 - Medidas de topologia e dinmica para redes de neurnios occipitais. . . 87
3.14 - Medidas de topologia e dinmica para redes de neurnios pr-frontais
do macaco ao longo das pocas. . . . . . . . . . . . . . . . . . . . . . 88
3.15 - Medidas de topologia e dinmica com raio de alcance do axnio igual
a 10, de neurnios do crtex do macaco. . . . . . . . . . . . . . . . . 90
3.16 - Medidas de topologia e dinmica com raio maior de neurnios occipital
humano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.17 - Medidas de topologia e dinmica com raio maior de neurnios prfrontal humano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.18 - Mdias e desvios padro do nmero de neurnios ativos; reciprocidade
da rede e mdia de disparos no tempo ao longo das pocas para as trs
categorias de neurnios piramidais. . . . . . . . . . . . . . . . . . . . 94
3.19 - Mdias e desvios padro para as correlaes de Pearson entre as medidas topolgicas ao longo das pocas de desenvolvimento para as trs
categorias de neurnios piramidais . . . . . . . . . . . . . . . . . . . . 94
3.20 - Mdias e desvios padro para as correlaes Pearson entre as medidas dinmicas ao longo das pocas de desenvolvimento para as trs
categorias de neurnios piramidais. . . . . . . . . . . . . . . . . . . . 95
3.21 - Mdias e desvios padro das correlaes as correlaes entre as medidas
dinmicas e topolgicas ao longo das pocas de desnvolvimento para
as trs categorias de neurnios piramidais.
. . . . . . . . . . . . . . . 95
3.22 - Anlise de componentes principais tomando-se medidas o nmero de

neurnios ativos; reciprocidade da rede e mdia de disparos no tempo
ao longo das pocas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.23 - Anlise de componentes principais tomando-se como vetores de atributos as correlaes entre medidas topolgicas ao longo das pocas. . . . 97
3.24 - Anlise de componentes principais tomando-se como vetores de atributos as correlaes entre medidas dinmicas ao longo das pocas. . . . . 97
3.25 - Anlise de componentes principais tomando-se como vetores de atributos as correlaes entre medidas topolgicas e dinmicas ao longo das
pocas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
LISTA DE TABELAS
2.1 - Definio pontos na notao swc. . . . . . . . . . . . . . . . . . . . . 36

2.2 - Componentes de um neurnio. . . . . . . . . . . . . . . . . . . . . . . 38
2.3 - Medidas para caracterizao de neurnios. . . . . . . . . . . . . . . . 40
SUMRIO
1 Introduo
25
2 Reviso
27
2.1 Princpios de Neurocincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.1.1
Partes da clula neural . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.2
Potencial de ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.3
Tipos de clulas neuronais . . . . . . . . . . . . . . . . . . . . . . . . 31

2.1.3.1
Nmero de ramificaes . . . . . . . . . . . . . . . . . . . . 31
2.1.3.2
Formato do corpo celular . . . . . . . . . . . . . . . . . . . 31
2.1.3.3
Funo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.3.4
Tamanho ou ausncia de axnios . . . . . . . . . . . . . . . 34
2.2 Forma e funo neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.3 A base neuromorpho e medidas de morfologia de neurnios
. . . . . . . . . . 34
2.3.1
Notao de traado swc . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.2
Medidas de morfologia neuronal . . . . . . . . . . . . . . . . . . . . . 38
2.4 Anlise de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.5 Redes complexas e medidas de topologia de redes . . . . . . . . . . . . . . . 42
2.5.1
Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5.2
Modelos de Redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5.2.1
Redes aleatrias . . . . . . . . . . . . . . . . . . . . . . . . 53
2.5.2.2
Redes pequeno mundo . . . . . . . . . . . . . . . . . . . . . 55
2.5.2.3
Redes livres de escala . . . . . . . . . . . . . . . . . . . . . 56
2.5.2.4
Redes espaciais ou geogrficas . . . . . . . . . . . . . . . . 58
2.5.2.5
Redes Biolgicas . . . . . . . . . . . . . . . . . . . . . . . . 58
2.5.2.5.1
Redes neuronais . . . . . . . . . . . . . . . . . . . 60
2.5.2.5.2
Redes de protenas . . . . . . . . . . . . . . . . . . 60
2.5.2.5.3
Redes metablicas . . . . . . . . . . . . . . . . . . 60
2.5.2.6
Redes de Informao . . . . . . . . . . . . . . . . . . . . . 61
2.5.2.7
Outras redes . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.6 Crescimento e percolao de redes morfolgicas artificiais e reais . . . . . . . . 61

2.7 Dinmica em redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.7.1
Modelo integra e dispara . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.7.2
Medidas de dinmica do integra e dispara . . . . . . . . . . . . . . . . 69
2.7.3
Estrutura e dinmica em redes morfolgicas: trabalho relacionados . . 70
3 Desenvolvimentos e Resultados
73
3.1 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2 Recursos computacionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.3 Caracterizao dos neurnios atravs de Medidas Morfolgicas . . . . . . . . . 79
3.4 Correlaes dinmica x topologia em relao ao crescimento das redes: redes
individuais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.5 Correlaes dinmica x topologia em relao ao crescimento das redes: mdias
sobre redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.6 Discriminao das categorias neuronais a partir dos perfis das medidas e correlaes
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4 Concluses
99
REFERNCIAS
103
25
Captulo 1
Introduo
O sistema nervoso dos mamferos apresenta uma das estruturas mais complexas da natureza, quer seja por sua intrincada estrutura de conexo, ou por sua dinmica variada e muitas
vezes surpreendente. Vrios esforos foram e continuam a ser dedicados compreenso do
funcionamento destes sistemas, o que pode contribuir no apenas para a soluo de vrios
problemas neurolgicos como para a implementao de inteligncia em mquinas. O neurocientista espanhol Santiago Ramon-y-Cajal (1, 2), considerado por muitos como o fundador
da neurocincia moderna, dedicou muito do seu interesse ao estudo da variedade dos neurnios e sua possvel influncia na dinmica neuronal. De fato, existe uma grande variedade de
formas neuronais no sistema nervoso dos mamferos, que podem estar relacionadas padres
especficos de conectividade e de processamento da informao neuronal.
Um outro aspecto fascinante do sistema nervoso, tambm relacionado forma neuronal,
o desenvolvimento das conexes ao longo dos primeiros estgios da vida dos indivduos.
As clulas neuronais iniciam-se como neuroblastos desprovidos de ramos, que se desenvolvem
posteriormente em estruturas especficas de conexo. Sabe-se que a histria de estmulos
recebidos, assim como a ao de vrios fatores neurotrficos como campos de concentraes
inicas ou moleculares e campos eltricos, tambm contribui decisivamente no estabelecimento
das conexes do sistema nervoso. O estudo da evoluo da conectividade em sistemas como
a teia mundial (WWW ), relaes de amizade, e as redes neuronais tem motivado muitos trabalhos fundamentados no conceito de percolao. Iniciando-se com indivduos desconectados,
o acrscimo de ligaes tende a produzir grupos conectados que eventualmente se conectam
num grande grupo, o que, informalmente, caracteriza a percolao, implicando em uma variao abrupta das propriedades de conexo do sistema. Permanece um assunto de grande
interesse entender como as propriedades topolgicas e dinmicas (ativao de disparos) de um
sistema neuronal se comportam antes, durante e depois da percolao.
Tal relacionamento entres dinmica e topologia tornou-se um assunto de destaque em
pesquisas de sistemas complexos, pois a identificao de uma forte correlao entre tais aspectos no apenas indica que a dinmica est fortemente relacionada topologia, mas tambm
permite que propriedades dinmicas sejam previstas a partir de caractersticas topolgicas do
1 Introduo
26
sistema. Desnecessrio dizer que estruturas ramificadas desempenham um importante papel

na percolao da rede como por exemplo, como os trabalhos de (3), abordando a conectividade neuronal, e o mais recente trabalhos de (4), abordando a complexidade e anisotropia em
surtos epidmicos. Delineia-se ento uma oportunidade de integrao do estudo destas vrias
influncias, ou seja, como a forma neuronal, topologia e dinmica das redes respectivas, se
relacionam antes, durante e depois do evento crtico da percolao. Este o principal tema de
interesse desta tese, que envolveu o desenvolvimento de um arcabouo computacional para a
simulao da evoluo da topologia e dinmica de ativao de sistemas neuronais morfolgicamente realistas. A fig. 1.1 ilustra os principais temas abordados nesta tese (caixas redondas),
assim como seu respectivo tratamento nos desenvolvimentos realizados (caixas retangulares).
Figura 1.1 Principais temas abordados nesta tese e sua integrao nos desenvolvimentos realizados.
Esta tese comea com uma reviso dos conceitos de neurocincia, seguindo para as definies dos conceitos de grafos e redes complexas, desenvolvimento e dinmica em redes. A
seguir, descreve-se os vrios desenvolvimentos iniciando-se com a metodologia adotada seguido
dos resultados e discusso. O trabalho finaliza-se com as concluses, sugestes de trabalhos
futuros e apndices.
27
Captulo 2
Reviso
2.1
Princpios de Neurocincia
O sistema nervoso e o sistema endcrino so responsveis pela maior parte das funes
do organismo. O sistema nervoso pode ser dividido em duas partes: sensorial e motora. As
experincias sensoriais so transmitidas atravs dos receptores sensoriais, podendo permanecer
na memria desde minutos at perodos mais longos (5). A diviso motora responsvel pela
coordenao das atividades corporais como contrao dos msculos e secreo glandular. Os
msculos e glndulas, neste caso, so chamados de efetores (6).
Processar informaes sensoriais e produzir respostas motoras adequadas uma das principais funes do sistema nervoso. As principais clulas responsveis pela emisso de informaes so os neurnios (7), que distinguem-se de outras clulas pela capacidade de processar e
transmitir informaes atravs de impulsos eltricos. As clulas neuronais apresentam grande
variabilidade morfolgica. Esta variao morfolgica est relacionada com a funo do neurnio. Quanto mais evoludo o organismo, maior a variao da morfologia neuronal (6).
Podemos comparar o sistema nervoso a um computador. Enquanto que nos computadores as informaes so processadas e enviadas atravs de bits, as clulas neuronais enviam
transmisses atravs de pequenos impulsos eltricos (8). A decodificao destes sinais podem
ser simplesmente de identificao de sensaes, como de aes modificadoras dos ambientes
externo e interno do organismo. O crebro humano tem aproximadamente 100 bilhes de
neurnios (8, 9), bem menos que a capacidade de armazenamento de um computador. A diferena est na capacidade destes neurnios formarem uma rede de neurnios que se comunicam
entre si (9).
2 Reviso
28
2.1.1
Partes da clula neural
Pode-se dizer que um neurnio composto de trs partes, corpo celular ou soma, axnio
e dendritos (tambm chamados de neuritos), conforme ilustra a fig. 2.1. Cada neurnio
possui um axnio nico que surge de uma regio especfica do corpo celular, chamada de cone
axnico, ou cone de implantao (8). Os axnios apresentam comprimento varivel. Um tipo
especfico de motoneurnio da medula espinhal, responsvel pelo comando dos msculos dos
ps, possui um axnio que pode atingir um metro, aproximadamente 200.000 vezes o dimetro
do soma (9).
Figura 2.1 Estrutura de um neurnio. Fonte: Wikimedia Commons.
2.1.2
Potencial de ao
Na superfcie do soma e na superfcie dos dendritos encontra-se uma grande quantidade

de pequenos botes, denominados botes sinpticos ou ns terminais. Aproximadamente 80
a 90 por cento destes botes encontram-se na superfcie dos dendritos (9).
2.1 Princpios de Neurocincia
29
Segundo (10), sinapse o lugar onde o axnio pr-sinptico de uma clula faz contato
com o dendrito ou soma de uma clula ps-sinptica. H dois tipos de sinapses: qumica e
eltrica (8).
Quase todas as sinapses do sistema nervoso humano so qumicas (8). Na sinapse qumica, o contato feito com os dendritos alvo atravs de substncias qumicas, chamadas de
neurotransmissores. Na sinapse eltrica, a sinapse ocorre atravs de canais tubulares chamadas
junes comunicantes, permitindo a passagem livre de ons de uma clula para a prxima.
Cada terminal sinptico composto por vesculas sinpticas, que liberam substncias
excitatrias ou inibitrias da sinapse. O espao entre o terminal emissor da sinapse (terminal
pr-sinptico) e a membrana receptora da sinapse (membrana ps-sinptica) chamado de
fenda sinptica e tem uma distncia de 200 a 300 angstroms (7).
Quando um impulso se propaga atravs de um terminal pr-sinptico, as vesculas liberam
as substncias transmissoras atravs da fenda sinptica, produzindo uma alterao na permeabilidade da membrana do neurnio receptor, produzindo excitao ou inibio do receptor,
dependendo da substncia liberada (fig. 2.2). Este processo ocorre porque o impulso provoca
a penetrao de ons clcio no terminal, atraindo as vesculas para a membrana, provocando
a ruptura de uma ou mais delas, derramando as substncias transmissoras na fenda sinptica.
Acredita-se que a membrana do neurnio ps-sinptico contenha molculas receptoras
especficas que se ligam substncia transmissora (8). Geralmente, isto ocorre entre 1 e 2
milissegundos. Durante esse curto espao de tempo o interior da membrana celular pode criar
um potencial ps-sinptico excitatrio (PPSE) ou um potencial ps-sinptico inibitrio (PPSI).
Este potencial tende a decair (subir) no intervalo de 15 milissegundos, tempo necessrio para
a membrana entrar novamente em um estado de equilbrio potencial ou repouso. Contudo,
algumas substncias podem inibir um neurnio ps-sinptico por um perodo mais longo desde
centenas de milissegundos, segundos, minutos ou horas (7).
A sinapse de um nico neurnio quase sempre no suficiente para excitar um neurnio.
A razo que a sinapse de um nico neurnio causa uma variao de potencial muito baixa,
insuficiente para fazer a membrana ps-sinptica atingir um potencial excitatrio (8). Contudo,
muitos terminais pr-sinpticos estimulam a membrana ao mesmo tempo. Isso causa um
aumento gradativo de potencial at que este atinge um limiar. Neste momento o neurnio
realiza uma transio abrupta de diferena de potencial, definido como potencial de ao
(spyke). Este potencial de ao emite uma corrente eltrica que parte do cone axnico para
todos os dendritos de seus neurnios ps-sinpticos. No intervalo de 15 milissegundos o
potencial da membrana ento cai at um pouco abaixo do potencial de equilbrio para logo
2 Reviso
30
entrar novamente em equilbrio potencial. A fig. 2.3 mostra um grfico representando a

emisso de um potencial de ao.
Figura 2.2 Sinapse. Um terminal axnico libera substncias excitatrias ou inibitrias na fenda
sinptica que capturado pelo terminal axnico. Fonte: Repositrio Wikimedia Commons.
Figura 2.3 Potencial de ao. Fonte: Repositrio Wikimedia Commons.
Em um circuito eltrico a membrana plasmtica funciona como um capacitor que vai

armazenando cargas de acordo com uma diferena de potencial (7). Matematicamente, o
capacitor um integrador de impulsos pr-sinpticos.
2.1.3
31
Tipos de clulas neuronais
Os neurnios podem ser classificados por diversos fatores como:

Nmero de arborizaes que se originam do soma;
Formato da clula;
Funo;
Tamanho ou ausncia de espculas.
Deste modo um neurnio pode ser classificado por um ou mais fatores. A seguir, veremos a
descrio dos neurnios conforme cada um destes fatores.
2.1.3.1
Nmero de ramificaes
Aqui podemos classificar os neurnios como unipolares, bipolares e multipolares (fig. 2.4).
Nas clulas unipolares, de uma nica ramificao do soma surge o axnio que se ramifica.
Tal tipo de neurnios so mais predominantes nos invertebrados (7). As clulas bipolares
so compostas por um dendrito e um axnio. J nas multipolares, os dendritos partem de
diferentes partes do soma, sendo que um axnio pode surgir a partir do soma ou de um dos
dendritos. Como exceo, temos as clulas piramidais e as de Purkinje, localizadas no cerebelo,
possuindo uma grande ramificao dendrtica que no se ramificam de qualquer parte do soma,
mas de locais especficos (fig. 2.5). Este tipo de estrutura permite uma quantidade imensa
de entradas sinpticas (7).
2.1.3.2
Formato do corpo celular
O crtex, do latim casca, dividido em camadas sendo as primeiras camadas as mais

prximas ao topo da cabea (6). No crtex do cerebelo esto as clulas de Purkinje, com
formato de pera e as clulas granulares, com formato esferoidal. Um pouco maiores, mas
com formato esferoidal, so as clulas dos neurnios sensitivos dos gnglios espinhais. A fig.
2.6 mostra um tipo de neurnio com soma em forma de pirmide. So as clulas piramidais,
2 Reviso
32
Figura 2.4 Tipos de neurnios, conforme ramificao. De 1 a 4, clulas unipolares,bipolares, multipolares e pseudounipolares. Fonte: Repositrio Wikimedia Commons.
Figura 2.5 Clulas de Purkinje.Fonte:Repositrio Wikimedia Commons.
33
distribudas na maior parte do crtex, onde as cores servem para destacar os seus componentes.
Consideramos o topo do soma a sua parte mais prxima s primeiras camadas do crtex. Da
base do soma surgem o axnio (cor cinza) e os dendritos basais (cor vermelha), com ampla
distribuio. Do topo do soma ramificam-se os dendritos apicais (cor azul) que possuem pouca
ramificao porm so mais longos que os basais. Ambos os dendritos basais e apicais so
cobertos por espculas. Seus axnios projetam-se para outras regies do crtex e at mesmo
para outras regies do encfalo. Em seguida, temos os neurnios estelares, que permanecem
sempre na mesma regio cortical, so geralmente pequenos e seus corpos celulares lembram
o formato de estrela (11). Seus dendritos tambm podem ter espculas. Finalmente, temos
os interneurnios, com corpo celular arredondado e seus dendritos com pouca ou nenhuma
espcula.
Figura 2.6 Neurnio piramidal. Na cor vermelha temos os dendritos basais e azul os dendritos
apicais. O axnio est na cor cinza.
2.1.3.3
Funo
Quanto funo, temos os neurnios motores, interneurnios e sensitivos. Os neurnios

motores transmitem sinais sinpticos. J os interneurnios tm a funo de estabelecer conexes entre os neurnios. Os neurnios sensitivos tm a funo de receber os sinais exteriores
2 Reviso
34
e retransmiti-los at o sistema nervoso central.
2.1.3.4
Tamanho ou ausncia de axnios
As clulas com axnio longo so do tipo Golgi I e as com axnio curto ou sem axnio
so do tipo Golgi II. As do tipo Golgi I so responsveis pela conexo entre diferentes regies
do crebro ou da medula at os rgos efetores. Como exemplo, temos as clulas piramidais.
No crebro dos animais mais desenvolvidos, as clulas Golgi II apresentam maior concentrao
que as clulas Golgi I (6). Estas clulas (Golgi II) no se interconectam com outras regies,
realizando somente interaes locais em pequenas regies.
2.2
Forma e funo neuronal
Quanto a variao morfolgica, alguns neurnios podem possuir arborescncias axonais

e dendrticas relativamente complexas se comparadas com outras clulas do sistema nervoso.
A eletrofisiologia, atravs da incluso de eletrodos e marcadores em neurnios particulares,
permitiram relacionar a forma com a funo celular. Anatomias do sistema nervoso de animais
simples apresentam pouca variabilidade no formato de suas clulas. Isto mostra que medida
que aumenta a complexidade do animal, surge a necessidade de um maior nmero de conexes,
ocorrendo tambm uma grande variabilidade dendrtica e axonal (6, 12) . As diferenas
morfolgicas em animais de diferentes tamanhos e formas tm uma variedade de implicaes
funcionais. O aumento da variao dendrtica permite entradas de uma maior quantidade
de neurnios pr-sinpticos, interagindo tambm com uma maior quantidade de unidades
neuronais, ampliando as suas caractersticas funcionais (13).
2.3
A base neuromorpho e medidas de morfologia de

neurnios
O repositrio neuromorpho.org a maior base de neurnios digitalizados e disponveis

eletronicamente. At 26 de outubro de 2013 possua 9936 clulas neuronais digitalizadas.
O grfico da fig. 2.7 mostra o crescimento da base desde a primeira verso. A base pode
35
ser consultada por tipo de neurnio, regio, espcie ou tambm por certas caractersticas
desejadas (metadados).
Figura 2.7 Base neuromorpho. Nmero de clulas reconstrudas.
2.3.1
Notao de traado swc
Definida em 1998, por Cannon et alli (14), a notao swc permite a reconstruo tridimensional de clulas neuronais laminadas. Ao laminar a clula so anotadas as informaes
tridimensionais necessrias para uma reconstruo digital. Nesta notao, um neurnio representado, simplificadamente, pela combinao de duas figuras geomtricas tridimensionais:
cilindro e esfera. A esfera representa o soma, enquanto os cilindros justapostos representam
os dendritos ou axnios.
A fig. 2.8 mostra um arquivo texto contendo as informaes da notao swc. Estes
arquivos vem geralmente com um cabealho, cujas linhas so identificadas pelo caractere ,
com informaes gerais como notao de traado original, autor, tipo de animal, idade, sexo,
etc. Aps o cabealho, as linhas definem a distribuio espacial do neurnio atravs dos
seguintes atributos: Ponto, Tipo, x, y, z, Raio, Anterior. Cada um dos atributos definido
abaixo:
Ponto: um nmero sequencial, que identifica os demais atributos;
Tipo : indica se um ponto de soma, de axnio, dendrito basal ou apical, conforme a
tab. 2.1;
2 Reviso
36
x, y, z: eixos das coordenadas no espao tridimensional;

Raio: raio final de um segmento ou raio do soma;
Anterior: identifica o ponto anterior (inicial) do segmento;
Tabela 2.1 Definio pontos na notao swc.
Tipo
Descrio
0
Indefinido
1
Soma
2
Axnio
3
Dendrito Basal
4
Dendrito Apical
Figura 2.8 Arquivo em notao swc.
As definies espaciais comeam com os dados do soma, no P onto 1. O prximo valor

1 identifica que este um ponto de soma, seguido pelas coordenadas do centro do soma
xs , ys , zs , o raio rs do soma seguido do valor 1 indicando que no h ponto anterior. A
seguir, o texto segue com mais dois pontos de soma, sendo que o P onto 2 corresponde
aos pontos (xs , ys rs , zs ), a parte de baixo do soma. O P onto 3 corresponde aos pontos
(xs , ys + rs , zs ), a parte de cima do soma. Em ambos os pontos a identificao do ponto
anterior 1, o ponto central do soma. A fig. 2.9 ilustra esses trs pontos iniciais. Da quarta
linha em diante vem as definies dos segmentos dendrtricos ou axonais. Cada segmento
representado como um cilndro, onde seu final representado pelas coordenadas dos eixos
x, y, z e a sua origem so as coordenadas do ponto identificado como anterior.
Os demais pontos descrevem os segmentos dos neuritos, conforme ilustra a fig. 2.10. Cada
linha ou ponto no arquivo guarda o ponto final do segmento. O ponto inicial corresponde s
coordenadas definidas no ponto anterior.
Figura 2.9 Descrio do soma em swc.
Figura 2.10 Segmento em traado swc.
37
2 Reviso
38
Como a base neuromorpho recebe contribuies de diferentes laboratrios e colaboradores,

algumas notaes mais antigas no utilizavam a sequencia de 3 linhas para definir o soma. Em
muitos arquivos definido simplesmente o centro do soma e o raio, e em outros so definidos
todo o contorno do soma no como esfera mas como uma composio de cilndros. Algumas
notaes ainda contm erros de notao como definir um neurito como sendo do tipo soma,
entre outros. Nos dados fornecidos inicialmente pelo repositrio de Cannon
era comum
encontrar o tipo 1, significando que o pesquisador ao laminar no conseguiu identificar o

tipo do neurito.
2.3.2
Medidas de morfologia neuronal
As informaes digitalizadas permite que o neurnio seja tratado como um grafo geomtrico do tipo rvore (seo 2.5.1), onde cada aresta corresponde a um compartimento, tendo
um vrtice central correspondendo ao soma, partindo da vrias sub-rvores, conforme ilustra
a fig. 2.11, onde as cores iguais representam ramos de mesma ordem, podendos estes ramos
serem de axnios, dendritos basais ou apicais.
A tabela 2.2 mostra os componentes que fazem parte da estrutura neuronal considerada
pelo repositrio.
Tabela 2.2 Componentes de um neurnio.
Componente
Compartimento
Descrio
No arquivo swc o segmento definido pelo ponto atual e o ponto
anterior.
Bifurcao
Ponto onde se originam dois compartimentos.
Ramo
Formado pela juno de vrios compartimentos. Seus extremos so
definidos entre pontos de bifurcao ou pelos compartimentos pontas
(pontos terminais).
Ordem de ramificao O soma tem ordem ou nvel 0. Todos os ramos partindo do soma tem
ordem 1 seguindo por seu consequente na ordem 2 e assim sucessivamente.
Dado um conjunto de arquivos swc, podemos classificar estes arquivos atravs de um conjunto de medidas tais como nmero de ramificao, ordem mdia, nmero de compartimentos,
entre outros. O software L-measure, disponvel gratuitamente na base neuromorpho dispe um
conjuntos de medidas e funes para que possamos com isso caracterizar as clulas neuronais.
O software produz como sada os valores mnimos, mdios e mximos das medidas de cada
Disponvel eletronicamente em http://www.compneuro.org/CDROM/nmorph/index/topindex.html
39
Figura 2.11 Componentes de um neurnio descritos na base neuromorpho. Os ramos da ordem 1

esto na cor azul, sucedidos pelos ramos da ordem 2, na cor vermelha, ordem 3 na
cor verde e assim sucessivamente.
2 Reviso
40
neurnio, alm oferecer uma funo de comparao estatstica entre grupos de neurnios. Na
tab. 2.3, temos as medidas que utilizamos neste trabalho.
Tabela 2.3 Medidas para caracterizao de neurnios.
ID
1
2
3
4
Medida
Height
Width
Depth
N_stems
5
6
7
8
9
10
11
12
N_bifs
N_Branch
Diameter
Length
Surface
Volume
EucDistance
PathDistance
13
4
15
16
17
Contraction
Branch Order
Fragmentation
Soma_surface
Pk_classic
18 Partition_assimmetry
19 Bif_ampl_local
20 Bif_ampl_remote
21 Dimenso Fractal
Descrio
Altura do neurnio (eixo y).
Largura do neurnio (eixo x).
Profundidade do neurnio (eixo z).
Nmero de troncos. Nmero de ramificaes que partem
do soma.
Nmero de bifurcaes.
Nmero de ramos.
Dimetro do compartimento.
Comprimento do compartimento.
rea da superfcie do compartimento.
Volume do compartimento.
Distncia euclidiana entre um compartimento e o soma.
Distncia do caminho. Soma dos tamanhos dos compartimentos entre dois pontos.
Razo entre distncia euclidiana e distncia do caminho.
Ordem do ramo.
Nmero de compartimentos em um ramo.
rea da superfcie do soma.
a razo entre (dr1 + dr2 ) e br . Sendo b o dimetro da
origem da bifurcao, d1 e d2 so o dimetro dos dois novos
compartimentos na bifurcao, e r = 1.5 obedecendo lei
de potncia de Rall.
Dada duas sub-rvores com uma mesma ordem, sendo n1 o
nmero de pontas da rvore direita e n2 as pontas da r|n1 n2|
vore esquerda, a assimetria definida como
.
n1 + n2 2
ngulo entre dois compartimentos em uma bifurcao.
ngulo entre dois ramos numa bifurcao.
log(Distncia euclidiana)
Razo entre
log(distncia do caminho)
2.4 Anlise de dados
2.4
41
Anlise de dados
Seja X = [x1 , x2 , . . . , xp ] um vetor de p variveis aleatrias, onde xi =
Define-se a mdia i de uma varivel aleatria xi como
xi1
xi2
..
.
xin
(15).
1X
xik
i =
n k=1
(2.4.1)
A varincia a mdia dos desvios quadrados em relao mdia (disperso) de xi , sendo

n
1X
=
(xik i )2
n k=1
2
(2.4.2)
A mdia dos desvios em relao mdia (desvio mdio) o desvio padro , a raiz
quadrada positiva da varincia. A covarincia entre duas variveis xi e xj indica o quanto as
duas variveis variam conjuntamente , podendo ser positiva, negativa, ou 0. A covarincia
definida como
1X
(xi i )(xj muj )
(2.4.3)
n
O coeficiente de correlao serve para medir o grau de dependncia linear entre duas variij =
veis aleatrias. Uma das medidas mais comuns utilizadas o coeficiente de correlao de
Pearson cij (15), onde esse coeficiente independente das unidades de medidas de cada varivel, variando ento entre 1 a 1. Estatsticamente, valores entre 0.5 a 0.5 so pouco
correlacionados.
cij =
ij
i j
(2.4.4)
Em uma matriz de correlao de X, cada elemento da linha i e coluna j corresponde a

correlao entre as variveis aleatrias xi e xj . Se X tem p variveis aleatrias teremos uma
matriz quadrada Cpxp . Assim,
C=
1
r21
..
.
rp1
r12 . . . r1p
. . . r2p
..
..
. .
... ... 1
1
..
.
(2.4.5)
2 Reviso
42
C uma matriz simtrica e os elementos de sua diagonal, cii , sempre 1. Nesta tese,
quando usamos o termo correlao estamos tratando do coeficiente de correlao de Pearson.
2.5
Redes complexas e medidas de topologia de redes
Dado um conjunto de elementos, uma rede uma representao das relaes existentes
entre os pares de elementos desse conjunto (16). Aos elementos damos o nome de ns ou
vrtices e s relaes damos o nome de ligaes. As ligaes podem ser unilaterais, quando
a relao de um elemento origem para um destino, como no caso de um artigo citar um ou
mais artigos, ou recproca, como no caso de uma relao de amizade. Relaes unilaterais,
so tambm denominadas ligaes direcionadas.
A Teoria de redes complexas(17) trata do estudo de redes com uma grande quantidade de
vrtices e sua variao estrutural no decorrer do tempo, envolvendo diferentes abordagens. A
anlise de estruturas sociais, de informao, biolgicas ou tecnolgicas alm da dinmica das
mesmas, podem ser abordados com redes complexas. , portanto, uma escolha natural para
representao e modelagem de vrios sistemas complexos biolgicos tais como redes neuronais
(18), neoplasia de clulas cancerosas (19) ou disseminao de doenas em um rebanho. Numa
rede neuronal, cada neurnio corresponde a um vrtice, enquanto as sinapses so as suas
respectivas ligaes. Uma rede neuronal formadas por neurnios de uma determinada classe,
pode ser mais ou menos ativa na propagao de sinapses do que redes com neurnios de
outro tipo. O tratamento para evitar o espalhamento de uma doena em um rebanho envolve
a compreenso de como a espcie em estudo se comporta, bem como a sua distribuio
no espao geogrfico. O processo de neoplasia de tumores cancerosos, seu surgimento em
diferente lugares do corpo, bem como a morte de um tumor, so exemplos de rede dinmicas,
onde nesse caso, o tumor seria um vrtice ou um grupo de vrtices (19). Enfim, o mundo
dinmico e conectado. Novas epidemias surgem e desaparecem, permanecendo em estado de
hibernao como o caso do vrus Ebola, para depois manifestarem-se novamente. Nas redes
sociais, a cada momento novas relaes de amizade ou de colaborao so feitas ou desfeitas.
Embora estas estruturas estejam sendo estudadas a um bom tempo, despontaram em 1999,
quando pesquisadores como Barabsi e Albert, Watts e Strogatz publicaram seus trabalhos.
A teoria de redes complexas utiliza tanto dos conceitos da Teoria dos grafos bem como
conceitos provindos de analogias relacionadas com teoria de sistemas dinmicos tais como
percolao e difuso (20). Doravante, utilizaremos o termo rede no lugar de rede complexa.
2.5 Redes complexas e medidas de topologia de redes
43
Na seo 2.5.1, abordaremos os conceitos bsicos para caracterizao de uma rede, envolvendo mtricas e medidas. Na seo 2.5.2 , trataremos de alguns tipos de rede utilizadas, bem
como alguns modelos reais. A nfase ser dada nos modelos biolgicos, em especial o modelo
integra e dispara, modelo que ser utilizado para investigao das redes neuronais, objeto de
nosso estudo.
2.5.1
Grafos
Um grafo uma abstrao de uma rede, onde no estamos preocupados se a ligao

corresponde amizade, dio, colaborao ou qualquer outra denominao. A teoria dos
grafos um ramo da cincia que estuda as caractersticas topolgicas das redes (21).
Define-se grafo como uma tupla G = (V, E), onde V o conjunto de n vrtices ou ns
e E o conjunto de m arestas ou ligaes. Dado dois vrtices i e j distintos, uma aresta
representada por {i, j} se existe uma ligao ou relao recproca entre estes dois vrtices.
Quando no h reciprocidade, isto , temos uma relao somente de i para j, representamos
por (i, j). As arestas no recprocas so denotadas por arcos, e um grafos com arco so
denotado por digrafo ou grafo orientado.
Representamos visualmente um grafo atravs de um diagrama onde o vrtice pode ser um
ponto, crculo ou qualquer outra figura geomtrica que seja adequado ao modelo estudado.
As arestas so representadas como uma linha ligando os dois vrtices. No caso de um arco,
usamos uma linha partindo de um vrtice origem i com uma seta apontando para o vrtice
destino j. A fig. 2.12(a) representa um grafo e a fig. 2.13(a) representa um digrafo. Quando
usarmos o termo grafo estamos nos referindo a um grafo no orientado.
Uma estrutura para representar um grafo a matriz de adjacncia. uma matriz quadrada
de ordem n tal que :
aij =
1, se existe (j, i)
0, caso contrrio
(2.5.1)
Em um grafo a matriz de adjacncia simtrica. Devido matriz de adjacncia frequentemente apresentar a caracterstica de matriz esparsa, um modo econmico computacionalmente
de representar grafos a estrutura de listas ligadas, onde cada vrtice tem o conjunto vrtices
para a qual apontam seus arcos ou arestas (18).
Pode-se associar valores nas arestas de um grafo, sendo denominados de pesos ou cus-
2 Reviso
44
A=
0
1
0
0
1
1
0
1
0
1
(a)
0
1
0
1
1
0
0
1
0
1
1
1
1
1
0
(b)
Figura 2.12 Grafo: (a) diagrama representativo; (b) matriz de adjacncia.
A=
(a)
0
1
0
0
0
1
1
0
1
0
1
0
0
1
0
1
1
0
0
0
1
0
1
0
1
0
0
1
0
1
1
0
0
0
1
0
(b)
Figura 2.13 Digrafo:(a) diagrama representativo ;(b)matriz de adjacncia.
45
tos(fig. 2.14(a)). Um exemplo seria uma matriz representando a distncia entre cidades. As
cidades que no fossem adjacentes teriam o valor . Representa-se um grafo de custos por
uma matriz quadrada de ordem n tal que:
wij =
v , se existe (j, i)
caso contrrio
W =
(2.5.2)
0 2 5 6
2 0 4
4 0 5
5 0 8
3 8 0 4
6 4 0
(a)
(b)
Figura 2.14 Grafo de custos: (a) diagrama representativo;(b) matriz de custos.
Os grafos, digrafos e grafo de custos, so mostradas nas fig. 2.12(a), fig. 2.13(a) e fig.
2.14(a), ao lado de suas matrizes correspondentes.
Dado um vrtice i de um digrafo, denota-se por grau de entrada kiin ao nmero de arestas
que incidem em i e por grau de sada kiout ao nmero de arestas que saem de i. Em um grafo
kiin = kiout e denotamos apenas por ki .
Um grafo dito regular se todos os vrtices tem o mesmo grau.
Em um digrafo, o grau total de um vrtice i ki = kiin + kiout . No caso de um grafo,
P
P
P P
ki = j Aij = j Aji e i j Aij = 2m. Define-se grau mdio ou conectividade do grafo
como
2m
1X
Aij =
.
hki =
n i,j
n
(2.5.3)
O grau mdio de entrada e de sada de um digrafo o mesmo, pois para cada aresta que sai
de um vrtice, temos a mesma entrando em outro vrtice.
n(n 1)
, pois de cada vrtice
2
podem partir no mximo n 1 arestas, mas cada aresta a combinao de dois vrtices. J
Em um grafo, o nmero mximo de arestas possveis
em um digrafo, o nmero mximo de arestas n(n 1).

Um grafo completo se todos os seu vrtices tem grau n 1, ou seja, cada vrtice
relaciona-se com todos os outros n 1 vrtices restantes.
2 Reviso
46
Figura 2.15 Dois grafos regulares de graus 2
Dois grafos G = (VG , EG ) e H = (VH , EH ) so isomorfos se para cada vrtice u VG

temos um nico vrtice u VH , e para cada aresta eG EG temos uma aresta e EH tal
que se eG = {u, v} ento e = {u , v }. Isto , existem bijees entre vrtices e arestas de G
com H. G e H tem a mesma estrutura, mas diferem nos rtulos dos vrtices e arestas. Na
fig. 2.16, temos um exemplo, onde sua forma e seus vrtices so diferentes. Quando somente
a representao visual diferente tais grafos so idnticos, conforme ilustrado na fig. 2.18.
Figura 2.16 Dois grafos isomorfos
Dado um grafo G = (V, E), um subgrafo de G um grafo G = (V , E ) onde V V ,

e E E (Fig2.17). Diz-se ainda que G um super grafo de G .
(a) Grafo G
(b) Subgrafo de G
Figura 2.17 Grafo e subgrafo.
47
Um grafo bipartido se possvel separar os vrtices em duas classes e todas as ligaes s

ocorrem entre vrtices de classes distintas. Considere uma agncia de casamentos, composta
de candidatos e candidatas. Nem todos os casais so compatveis, mas podem ser representados por uma rede onde os casais seriam os vrtices e as ligaes entre estes a compatibilidade.
A fig. 2.18 mostra um mesmo grafo bipartido representado por diagramas diferentes.
(a)
(b)
Figura 2.18 Um mesmo grafo bipartido representado em diagramas espacialmente distintos.
Em uma rede representando uma grande comunidade de pessoas pode-se usar um tipo
especial de ligao para relacionar laos familiares ou associaes. Nessa comunidade, uma
pessoa pode pertencer famlia F , e tambm pertencer ao clube C e tambm torcer para
o time T . Assim, podemos ter conjuntos com interseces entre os mesmos dentro dessa
comunidade, j que nem todos pertencem a mesma famlia e nem torcem para o mesmo time.
Ao grafo compatvel para abstrair este tipo de rede chamado de hiper grafo e a ligao entre
cada subconjunto de vrtices, denotamos por hiper aresta. A fig. 2.19(a) mostra um hiper
grafo, separado em quatro diferentes grupos atravs de hiper arestas. A fig. 2.19(b), um
grafo bipartido representa os grupos atravs dos quatro vrtices abertos. Em um hiper grafo,
o nmero de vrtices da rede mantido. Diferentemente, para representar esta mesma rede
atravs de um grafo bipartido, teramos que adicionar vrtices para representar os grupos.
Um percurso ou passeio em um grafo uma sequncia de vrtices W = v1 , v2 , . . . , vk ,

no necessariamente distintos, onde sempre existe uma aresta (vi , vi+1 ). Um caminho P =
2 Reviso
48
(a)
(b)
Figura 2.19 Hiper grafo (a) e representao atravs de bipartio (b).
v1 , v2 , . . . , vk um percurso com vrtices distintos. Um sequncia T = e1 , e2 , . . . , ek de arestas

distintas denotamos por trilha (21). O tamanho de um percurso, caminho ou trilha com k
vrtices |S| = k 1, o nmero de arestas na sequncia. Um percurso fechado aquele
percurso cujo vrtice inicial o mesmo que o final. Um percurso fechado onde somente o
vrtice inicial igual ao final, denominado circuito ou caminho fechado.
Um grafo conexo se existe um caminho de qualquer vrtice a outro. Um conjunto de
componentes C = {C1 , C2, . . . , Cc } particiona um grafo G onde cada Ci um subgrafo de G
que conexo com o nmero mximo de vrtices e arestas possvel, sendo VC1 VC2 . . .VCc =
V , e Ci Cj = . Isto , as arestas e vrtices de um componente Ci no pertencem a um
outro componente Cj (fig. 2.20).
Um digrafo dito fracamente conexo se ao aplicarmos reciprocidade em todas as suas
arestas obtivermos um grafo conexo. Geralmente, redes orientadas so fracamente conexas,
sendo compostas de vrios componentes (subgrafos conexos).
Figura 2.20 Componentes conexos. Grafo com 6 componentes. Cada um subgrafo conexo.
49
Um grafo conexo que no possui ciclos chamado de rvore, sendo os seus vrtices de
grau 1 denominado de folhas. Uma subrvore de um grafo G um subgrafo de G que no
contm ciclos. Uma rvore geradora de G uma subrvore que contm todos os vrtices de
G. A fig. 2.21 mostra um grafo, esquerda, seguido de duas das onze rvores geradoras
possveis para esse grafo.
Figura 2.21 Grafo e rvores geradoras.
A Teoria dos Grafos dispe de diversas medidas para caracterizar a topologia de uma
rede. Atualmente, devido ao avano das pesquisas no campo de redes complexas, autores
provenientes de diversas reas contribuem com novas propostas de medidas e mtricas a
serem aplicadas nos modelos de redes. Tais medidas podem nos informar quo densa uma
rede, ou quais so os vrtices mais importantes para um determinado modelo estudado. A
seguir, veremos algumas das principais medidas.
Define-se a densidade de um grafo como sendo a razo entre o nmero de arestas existentes
e o nmero mximo de arestas possvel, sendo
=
2m
hki
=
,
n(n 1)
n1
(2.5.4)
m
n(n 1)
(2.5.5)
para grafo, e
=
para um digrafo. Esta medida mostra o quanto os vrtices esto ligados entre si. Grandes
redes podem ser suficientemente densas que podem ser aproximadas por =
hki
n
Sendo P (k) a probabilidade ou frequncia de um grau k , definimos

H =
kX
max
P (k)log2 P (k),
(2.5.6)
k=kmin
como a homogeneidade da distribuio da rede, ou entropia. Quanto mais homognea a

distribuio, menor o valor de H. Assim, em um grafo regular a entropia 0. Tal medida
relaciona-se com a resistncia de uma rede falhas em seus vrtices.
Se Aik Akj = 1, ento existe um caminho de j para i , passando por k, passando pelas
arestas {k, j} e {i, k}, tendo um caminho de tamanho 2. Assim, o nmero total de caminhos
2 Reviso
50
de tamanho 2 de j para i, via outros vrtices

(2)
Nij =
n
X
Aik Akj = [A2 ]ij .
(2.5.7)
k=1
Logo, para um caminho de tamanho r, temos

(r)
Nij = [Ar ]ij .
(2.5.8)
Ao caminho de menor tamanho entre um vrtice i e outro j denota-se por distncia

(r)
geodsica lij . Ou seja, o menor valor de r tal que Nij > 0. Em grafo conexo, o maior valor
possvel de r n 1.
A excentricidade de um vrtice i
i = max{jV lij },
(2.5.9)
a distncia geodsica de i ao seu vizinho mais distante.

O raio de um grafo definido como Um caminho hamiltoniano um caminho que passa
por todos os vrtices de um grafo. Um grafo que possui um circuito que passe por todos os
vrtices do grafo um grafo hamiltoniano.
Uma trilha fechada uma trilha que comea e termina no mesmo vrtice. Uma trilha que
passa por todas arestas do grafo uma trilha euleriana. Um circuito euleriano uma trilha
euleriana fechada. Um grafo que possui um circuito euleriano um grafo euleriano (21). Um
circuito euleriano no repete arestas, mas pode repetir vrtices.
Ra = min{iV i },
(2.5.10)
a menor excentricidade de todos os vrtices do grafo.

O dimetro de um grafo a maior distncia geodsica entre qualquer par de vrtices. Isto
,
Dm = max{i,jV lij }.
(2.5.11)
O coeficiente de correlao de Pearson mede grau de similaridade entre os vrtices. Dada

a matriz de adjacncia A, o grau de similaridade entre os vrtices i e j dado por
rij =
cov(Ai , Aj )
sendo ki > 1 ,
i j
(2.5.12)
onde Ai corresponde linha i da matriz de adjacncias, e i o desvio padro da linha i.
51
Centralidade de vrtice visa medir qual o vrtice mais importante, o vrtice mais central,
aquele que se fosse eliminado causaria o maior dano a rede. Diferentes medidas so utilizados
de acordo com os objetivos da anlise.
A centralidade de autovetor serve para identificar o vrtice que est ligado maior parte
dos ns de altos graus. Sendo m o maior autovalor da matriz de adjacncias da rede e
vm = (em1 , em2 , . . . , emi , . . . , emn ) seu autovetor associado, o elemento emi corresponde
centralidade de autovetor do vrtice i (20).
Coeficiente de agregao ou aglomerao ((Clustering coefficient) Cai de um vrtice i
definido como a razo entre o nmero de conexes nbi entre os vizinhos de i e o nmero
mximo de conexes possvel. Sendo ki o grau do vrtice, esse tambm o nmero de vizinhos,
logo
Cai =
2nbi
.
ki (ki 1)
(2.5.13)
Se todos os vizinhos tiverem conectados entre si, Cai = 1, e se nenhum deles estiverem
conectados, Cai = 0. A ideia provem das redes sociais, onde espera-se os amigos de algum
sejam amigos entre si (20).
O coeficiente de agregao mdio de uma rede dado por:
n
1X
Cai .
Ca =
n i
(2.5.14)
A centralidade de proximidade (closeness) Cpi a distncia geodsica mdia entre seus

vizinhos sendo:
n1
Cpi = P
.
j lij
(2.5.15)
Se Cpi pequeno, mais centralizado est este vrtice em relao ao nmero de arestas entre
seus vizinhos. Portanto, seria o vrtice que mais espalharia uma mensagem mais rapidamente
pelos vrtices da rede.
O grau de intermediao (betweeness) Bi mostra a importncia de um vrtice i como
intermedirio de contato entre dois vrtices j e k. Seja n(j, i, k) = 1 se existe um caminho
de j para k, passando por i, ou 0 em caso contrrio. Assim
Bi =
n(j, i, k),
(2.5.16)
jk
pode ser visto tambm como a probabilidade de uma mensagem passar por i. Se uma mensagem indo de j para k tem gjk caminhos geodsicos, ento a probabilidade de passar pelo
gjk
vrtice
. Obviamente, temos o grau de intermediao mdio, representado pela
n(j, i, k)
2 Reviso
52
mdia de todos os graus.

Provindo da teoria de difuso da fsica, temos a matriz laplaciana de um grafo (17).
uma matriz tal que:
se i = j
ki ,
Lij =
1, se i 6= j e j incide em i
(2.5.17)
Desta matriz laplaciana, obtm-se um conjunto de autovalores 0 1 . . . n ,

sendo o 0 nulo. O segundo menor autovalor 1 denominado de conectividade algbrica.
Quanto maior este valor, maior a capacidade de espalhamento de uma informao na rede
para todos os vrtices.
Em um digrafo, a reciprocidade de um vrtice i
P
j6=i Aji Aij
R(i) = P
,
j Aji
(2.5.18)
onde R(i) = 1 se a quantidade de arestas que entram no vrtice for igual s que saem.
A reciprocidade de um digrafo definido como a correlao R da matriz de adjacncias
do digrafo (22). Sendo
R=
ea=
1
n(n1)
caso contrrio.
2.5.2
i6=j
a)(Aji a)
,
i6=j (Aij a)
i6=j (Aij
(2.5.19)
Aij . Se R > 0, dizemos que a rede recproca ou anti-recproca em
Modelos de Redes
A seguir, abordaremos os trs principais modelos de redes complexas mais estudadas.

A saber, Redes Aleatrias,Pequeno Mundo, e Livres de Escala. Logo a seguir, veremos alguns exemplos de redes reais, envolvendo redes biolgicas, de molculas, de informao, e de
aeroportos.
2.5.2.1
53
Redes aleatrias
um modelo onde as arestas so adicionadas de modo aleatrio usando somente uma

probabilidade p de ligao. O modelo de grafos aleatrios mais difundido o proposto por
Paul Erds e seu colaborador Alfred Rnyi, em 1959, ficando conhecido como modelo ER
(23). Neste modelo temos n vrtices e para cada uma das arestas temos uma probabilidade
p de ligao e obviamente 1 p de no ligao. Se tivssemos um grafo completo (p = 1),
n(n 1)
o nmero total de arestas seria
. Portanto, o nmero esperado de arestas para este
2
n(n 1)
. O grau mdio hki = p(n 1), sendo que para uma rede com uma
modelo p
2
grande quantidade de vrtices este grau mdio aproxima-se de pn.
Redes deste tipo apresentam uma distribuio correspondente distribuio de Poisson
definido como
hkik hki
e
,
(2.5.20)
k!
onde a maioria dos vrtices apresentam grau mdio hki. Na frmula acima v-se que a
P (k) =
probabilidade de um vrtice estar conectado a vrtices de graus altos diminui exponencialmente.

Na fig. 2.22.(a) temos o grafo correspondente a uma rede de 100 vrtices e probabilidade de
ligao 0, 2. Ao lado na fig. 2.22.(b), temos a distribuio de seus graus.
(a) Rede ER.
(b) Distribuio dos graus da rede ER.
Figura 2.22 Um um grafo representando uma rede ER de 100 vrtices com grau e probabilidade
de conexo 0.2 (a) seguida da distribuio dos seus graus em (b).
Neste modelo, Erds e Reinyi verificaram um comportamento interessante e comum em

vrios fenmenos da natureza. Tendo uma rede com uma grande quantidade de vrtices, se
54
2 Reviso
tivssemos apenas uma aresta, o maior componente conexo teria tamanho dois e uma densi2
dade de . medida que arestas so adicionadas a densidade do maior componente aumenta,
n
tendo ainda outros componentes menores espalhados pelo grafo. Quando adicionamos arestas
o bastante para que cada vrtice tenha na mdia grau 1, a frao do maior componente salta
subitamente para cerca de 1, espalhando-se por todo o grafo, conforme mostra a fig. 2.23.
Figura 2.23 Formao de componente gigante em um grafo aleatrio. A densidade do maior

componente muda bruscamente quando o grau mdio se aproxima de 1.
Este um fenmeno conhecido na fsica como transio de fase e o ponto divisrio

dessa transio chamado de ponto crtico(24). Este fenmeno conecta vrios componentes
menores, formando um componente gigante espalhando-se por todo o grafo. Em 1959, Erds
1
e Rnnyi, mostraram que quando p >
existe um componente gigante, com pouqussimos
n
ln(n)
todos os vrtices esto conectados (20).
pequenos componentes isolados e quando p >
n
Na natureza, vrios fenmenos fsicos ocorrem bruscamente, tendo alguns pontos crticos como
a temperatura de fervura da gua, de congelamento e de gelificao do ovo. Outros materiais
apresentam pontos de fuso ou solidificao que variam conforme a caracterstica de ligao
entre suas molculas, que tambm podem ser representadas como um modelo de redes.
Verificou-se que o modelo ER no a melhor proposta para redes reais. Nas redes do
mundo real as ligaes no ocorrem de modo uniformemente aleatrio. Caso contrrio, a
escolha de uma pessoa por amizades com algum de seu bairro seria menos provvel do que
escolher amizade com algum da China, com mais de 2 bilhes de habitantes. Ligaes de
longas distncias podem ocorrer na natureza, mas, de modo geral, as ligaes surgem entre
comunidades, composta de vrtices altamente conectados com seus vrtices mais prximos,
havendo uma quantidade menor de ligaes entre comunidades. Ou seja, a natureza tem
55
caractersticas de aleatoriedade, mas no uniformemente aleatria.
2.5.2.2
Redes pequeno mundo
Nas redes sociais, graus de separao a distncia geodsica entre dois vrtices. Neste
conceito, se uma pessoa A conhece uma pessoa B que conhece uma pessoa C que conhece
uma pessoa D que conhece o Dalai Lama, ento o grau de separao de A com o Dalai Lama
4. Baseando em algumas especulaes de qual era o grau de separao mdio entre duas
pessoas, Jonh Milgram realizou uma experincia (25). Selecionou voluntrios das cidades do
Nebraska e Boston que tinham que entregar uma carta para uma nica pessoa da cidade. A
carta deveria ser entregue via correio caso no a pessoa no fosse conhecida, pessoalmente
caso fosse conhecida ou para algum que poderia conhecer essa pessoa. O nmero mdio
de intermediaes foi de 5, 2, o que sugere que todas as pessoas da terra esto conectadas
na mdia por 6 arestas. Redes como essas caractersticas so conhecidas como redes mundo
pequeno, pois bastam poucas arestas ligando as comunidades para que as conexes entre
grupos inteiros sejam estabelecidas. Tais redes tambm se caracterizam por alto coeficiente
de agregao.
Watts e Strogatz propuseram um algoritmo para representar esse tipo de rede, conhecido
como rede WS. Partindo de um grafo k-regular de n vrtices, cada vrtice era religado a outro
vrtice com probabilidade p. Deste modo, a o grau de separao entre alguns vrtices caia
k
bruscamente para 1. Nesse modelo, o nmero de vrtices a ser reconectado igual a pn . Se
2
p = 0, a rede permanece regular e quando p = 1 a rede aleatria.
Posteriormente, em 1999, um outro modelo, foi proposto por Newman e Watts, com a
diferena que no removia as conexes anteriores (20). Tal modelo evitava a formao de
componentes desconexos como o algoritmo anterior.
Estes dois modelos apresentam uma distncia mdia pequena e um coeficiente de agregao prximo de 0.5. A distribuio destes graus assemelha-se ao modelo de ER, mas apresentam um alto coeficiente de agregao (26). Abaixo, temos grafos representando o algoritmo
de formao de WS com 10 vrtices e grau 4 (fig. 2.24). No primeiro grafo, a probabilidade
0, sendo portanto regular, e na segunda, a probabilidade 0.2, tendo caractersticas aleatrias.
2 Reviso
56
(a) WS com probabilidade 0
(b) Rede com probabilidade 0.2.
Figura 2.24 Redes WS com 10 vrtices e grau inicial 4. Em (a), com p = 0 temos uma rede
regular, j em (a), com p = 0.2 temos um comportamento aleatrio. Se p = 1 a rede
seria completamente aleatria.
2.5.2.3
Redes livres de escala
Em 1998, Barabsi e Albert (27), ao mapear as redes da internet descobriram que 80%
das pginas possuam menos de 4 ligaes, e aproximadamente 0, 01% das pginas tinham
graus maiores que 1000. Ao fazer a contagem desses vrtices descobriram que a probabilidade
de um n com grau k era proporcional a k , obedecendo a uma lei de potncia. Sendo
0.3
, enquanto para
Pk = ak , se a = 0.3, = 2 e k = 2, teramos a probabilidade P2 =
4
0.3
k = 4, teramos P4 =
. Ou seja, temos muitos graus baixos e poucos graus altos. A
16
razo para o termo livre de escala que se multiplicarmos k, por uma constante c, teramos
Pck = a(ck) = (ac )k . Como ac uma constante,a probabilidade ainda depende
do valor de k, e no do escalar ac . Diversas redes reais apresentam caractersticas de
livres de escala, onde, conforme j mencionado, apresentam alguns poucos vrtices com graus
altssimos. Estes vrtices so chamados de hubs ou concentradores.
Nos modelos de rede anteriores, o nmero de vrtices fixo, havendo variaes nas suas
conexes de acordo com a probabilidade. O modelo de rede proposto por Barabsi (BA)
apresenta uma caracterstica dinmica de crescimento de vrtices. A dinmica comea em
t = 0, com n0 = n(t) vrtices e a0 = a(t) arestas ligados aleatoriamente com esses vrtices.
A seguir, adiciona-se um novo vrtice criando m a0 ligaes com os vrtices anteriores. A
ligao do novo vrtice com um vrtice i obedece uma regra de conexo preferencial, onde os
vrtices mais conectados tem a preferncia de conexo. Esta regra de conexo preferencial
57
definida por Barabsi e Albert (20) como

kit
cp(kit ) = Pn(t)
t
j=1 kj
(2.5.21)
sendo kit o grau do vrtice i no tempo t. O novo vrtice adicionado no tempo t + 1 e as m

conexes ocorrem de acordo com a probabilidade cp(kit ). No decorrer de um tempo t, teremos
n(t) = n0 + t e a(t) = a0 + mt.
A fig. 2.25(a) mostra um grafo de rede BA com n = 100, m = 5 e sua distribuio
de graus (fig. 2.25(b)). V-se que o valor Pk decresce, no apresentando um pico como na
distribuio de Poisson. Portanto, o grau mdio no seu grau caracterstico.
(a) Rede
(b) Histograma
Figura 2.25 Redes BA com n=100 e m=5.
Ao aplicarmos propriedade de logaritmos na distribuio Pk , temos

log(Pk ) = log(a) log(k),
(2.5.22)
uma funo linear, conforme mostra uma aproximao do grfico de distribuio da fig. 2.26.
Embora estas redes sejam resistentes a ataques, Moreno e colaboradores (28) constaram
ainda que independente do valor de , redes livres de escala favorecem a persistncia de
doenas.
2 Reviso
58
Figura 2.26 Distribuio BA em escala logartmica
2.5.2.4
Redes espaciais ou geogrficas
Redes espaciais ou geogrficas so redes onde a possibilidade de conexo dos vrtices

esto restringidas pela posio no espao, onde o custo de conexo depende da distncia,
da dificuldade de acesso ou tempo de latncia (29). Redes de estradas, aeroportos, trilhos,
internet e neurnios so exemplos de redes espaciais. So redes em que ocorrem restries de
acesso devido alguma geometria. Algumas destas restries podem ser devido caractersticas
morfolgicas e espaciais como no caso de redes neuronais (30), de custo, como no transporte
de cargas ou de distribuio no uniforme dos graus dos vrtices e distncia, como no caso de
aeroportos. Em todas estes exemplos a distncia relevante.
Um modelo de rede espacial
o grafo
de Waxman, onde dois vrtices i e j so ligados
d
, sendo d a distncia euclidiana entre os vrtices,
com probabilidade p(i, j) = exp
L
L o tamanho mximo das ligaes e um parmetro de controle da densidade das ligaes.
Apesar de ser um modelo simples, ajuda a entender a importncia do espao nas conexes
(29).
A fig. 2.27(a) ilustra uma rede de Waxman e seu grfico de probabilidade de conexo
conforme a distncia.
2.5.2.5
Redes Biolgicas
Identificamos redes complexas em vrios exemplos da natureza. A formao de vasos

sanguneos no organismo, obedece regras de crescimento topolgico e dinmico, adaptando-se
59
(a) Rede.
(b) Probabilidade de conexo x distncia euclidiana.
Figura 2.27 Rede Waxman distribuda num retngulo 20x20, com 80 vrtices, = 0.8 e L = 11.
conforme as deficincias encontradas, como no entupimento de uma veia. A disseminao de

uma doena como o cncer atravs do espalhamento de clulas neoplsicas no organismo (19).
No modelo de rede equivalente os tumores so os vrtices e as ligaes so entre os tumores e
neoplasias seguintes. O surgimento de neuroblastos em organismo adulto aps uma isquemia,
atrados por protenas como a betacelulina (31) permitindo a recuperao parcial ou total da
injria. Os neurnios so os vrtices e as ligaes representam as sinapses.
O espalhamento de sementes de uma rvore tambm pode ser visto como uma rede
complexa, onde os vetores de espalhamento podem ser pssaros, mamferos ou insetos. Neste
caso, o tipo de animal pode ser uma caracterstica para a fora de espalhamento de novas
rvores na floresta.
Na relao entre espcies, o modelo de redes presa-predador pode ser representado por
uma rede do tipo digrafo, onde de um lado temos os vrtices predadores e de outro os vrtices
2 Reviso
60
presa. H uma quantidade imensa de redes biolgicas onde podemos usar diferentes estruturas
de redes. Explanaremos abaixo trs tipos de rede: neuronais, proteicas e metablicas.
2.5.2.5.1
Redes neuronais
A complexidade neuronal sempre dispertou interesse da
comunidade cientfica. Como exemplo temos as clulas piramidais que possibilitam o envio
de sinais desde as camadas mais profundas do crtex at outras reas mais distantes. As
redes neuronais possuem tanto caractersticas de pequeno mundo como livre de escala, pois
em determinadas regies ocorrem uma densidade de neurnios com uma complexidade de
conexes diferenciadas de outras regies. A ativao neuronal durante uma aprendizagem,
onde diversos neurnios tentam adaptar-se para execuo do exerccio, para no decorrer do
tempo as clulas de determinados locais concentram-se especificamente em detrimento de
outras um exemplo de dinmica neuronal.
A estrutura neuronal do C. elegans com cerca de 282 neurnios formando uma rede direcionada com distribuies de conectividade exponencias. Justamente pela pouca quantidade de
neurnios, uma das redes neuronais mais estudadas at o momento. Mesmo com essa quantidade pequena de neurnios, esta rede apresenta caractersticas de pequeno mundo (32, 33),
diferentemente de uma rede aleatria.
2.5.2.5.2
Redes de protenas
Protenas interagem entre si e entre outras biomolculas.
Reagem quimicamente com um grupo de molculas formando pequenos grupos de reaes

qumicas, como no caso das reaes enzimticas. Nesse modelo, as protenas seriam os
vrtices com ligaes no direcionadas representando as interaes qumicas resultantes (17).
2.5.2.5.3
Redes metablicas
Metabolizar significa separar e remontar as molculas dos
nutrientes em molculas apropriadas para fornecer energia qumica para as clulas. Isso envolve
uma cadeia de reaes qumicas processam as entradas brutas (alimentos) em substncias
utilizveis pelo organismo em uma srie de passos. O caminho completo de todas essa reaes
qumicas formam uma rede metablica (17). Os vrtices nessa rede seriam as substncias
qumicas produzidas e consumidas atravs das reaes. Essas substncias so conhecidas
como metablitos. Uma rede de protenas pode ser representada como uma rede bipartida
com vrtices especficos representando as substncias e outros para representar as reaes
entre estas. O caminho destas reaes comea com dois vrtices de substncias cujas arestas
direcionadas apontam para um vrtice de reao. Este por sua vez produz dois vrtices de
sadas apontando para as novas substncias metabolizadas. O processo segue por at que no
haja mais molculas para serem quebradas e transformadas.
2.6 Crescimento e percolao de redes morfolgicas artificiais e reais
2.5.2.6
61
Redes de Informao
Um exemplo de rede de informao a rede de citaes bibliogrficas onde diversos

artigos citam alguns poucos. Sendo uma rede direcionada, sua estrutura reflete a informao
relacionada em seus vrtices. Um outro tipo de rede deste tipo a World Wide Web, com
seus repositrios de dados (17).
2.5.2.7
Outras redes
A natureza composta de diversas redes. Entender a sua dinmica e suas caractersticas

estruturais um dos desafios da cincia deste sculo. Embora muitas redes da natureza
comportem-se como livre de escala, algumas redes no comportam essas caractersticas, tais
como a rede eltrica. Redes sociais tem caractersticas de redes de livre de escala, assim como
rede de aeroporto parecem ser uma mescla de mundo pequeno e livre de escala (18).
2.6
Crescimento e percolao de redes morfolgicas

artificiais e reais
Percolao significa a passagem de um fludo atravs de um meio poroso. Existe uma

diferena bsica entre percolao e difuso. Na difuso um fludo aleatrio propaga-se num
meio determinstico enquanto na percolao um fludo determinstico propaga-se num meio
aleatrio (34). O espalhamento de uma gota de tinta em uma piscina difuso, enquanto
que a gua passando pelo p de caf uma pedra porosa percolao.
Para explicar percolao, vamos usar um modelo para representar uma floresta de rvores,
situadas em uma rea retangular. O modelo usado composto de subreas ou stios onde cada
stio pode ter ou no uma rvore (fig. 2.28 (a)). Cada stio s(x, y) tem probabilidade p de
ter uma rvore (representada pelo stio na cor cinza), e (1 p) de estar vazio. Consideramos
como vizinhos de s(x, y) os stios s(x 1, y), s(x, y 1), s(x + 1, y) e s(x, y + 1) , que
conhecido como 4-vizinhana. Nessa floresta, o fludo ser o fogo. Vamos supor que todas
as rvores da primeira linha do retngulo comece a queimar, de acordo com o grfico da fig.
2.28(b), e aps consumir as rvores da primeira linha o fogo se propaga para seus vizinhos(
2 Reviso
62
2.28(c)), continuando posteriormente at a ltima linha (fig. 2.28(d)).

Devido ao tipo de vizinhana considerada, nem todos os stios com rvores foram queimados. Isso acontece por que a probabilidade de ocupao no foi alta o suficiente para povoar
mais stios da floresta com rvores. Mesmo assim, o fludo espalhou-se da primeira linha at a
ltima. Representando estes stios com rvores como vrtices de um grafo, as reas queimadas
corresponderiam a um componente fortemente conexo (cluster ), que se estende da primeira
at a ltima linha. Quando um fludo passa de um extremo a outro de um meio aleatrio, diz
se que este fludo percola o meio. Ou seja, o fogo percolou a floresta.
Na teoria da percolao, um componente dominante o componente conexo de maior
tamanho entre os demais. Um componente infinito ou componente percolante o componente
que se espalha por toda a rede (24). Na fig. 2.29, temos um momento antes de ocorrer a
percolao e o momento da percolao, o componente percolante em vermelho espalhando-se
por todo o sistema. A parte vermelha indica o componente percolante. A teoria da percolao
utiliza uma srie de medidas e mtricas para caracterizar sistemas quanto a possibilidade de
ter um componente percolante.
Figura 2.28 Exemplo de percolao. No primeiro momento, nenhum stio entrou em ignao (a),
a seguir ocorre a iginio na primeir fileira de rvores do stio (b), espalhando-se
para a segunda fileira. A queima termina quando o fogo atinge a ltima linha da rea
retangular, no havendo mais nenhum vizinho para espalhar o fogo.
Algumas medidas so convencionais para a teoria da percolao. A seguir mostramos as
2.6 Crescimento e percolao de redes morfolgicas artificiais e reais
63
Figura 2.29 Momento da percolao. O sistema num tempo t antes de percolar em todas as
bordas e o sistema num tempo t + 1, o momento de percolao.
mais utilizadas:
N : nmero total de stios da rede
n: nmero de stios ocupados
p: probabilidade de ocupao
hni: nmero mdio de stios ocupados,
pc :limiar de percolao, densidade a partir da qual aparece o componentes percolante
(24). Para que ocorra percolao, p > pc
nsp : nmero de stios no componente percolante,
P : probabilidade de percolao, esta funo s valida quando p > pc , onde
nc : nmero de componentes existentes
ns : nmero de componentes de tamanho s
1P
si . Este valor diminui
n i
quando p > pc , pois no inclumos o componente percolante.
hsi: tamanho mdio dos componentes, ou seja, hsi =
Destas medidas, as mais convencionais so hni,ns , p, pc , P , e hsi. Se incrementarmos p

iterativamente observaremos que o tamanho do componente dominante cresce abruptamente
quando p > pc . Neste momento ocorre uma transio de fase, onde o componente dominante
passa a ser percolante, conforme ilustra a fig. 2.30. Esse fenmeno tambm conhecido
2 Reviso
64
como fenmeno crtico (24). Nesta tese, faremos uma analogia com o fenmeno de percolao
aplicado a redes neuronais direcionadas, o que difere dos muitos estudos que tratam de redes
no direcionadas. A fig. 2.31 mostra uma rede neuronal no regular e direcionada com a
formao de um componente conexo forte ou componente percolante.
Figura 2.30 Ponto critico. Uma grade regular no momento que ocorreu uma percolao horizontal
e o grfico de densidade do componente. A reta mostra o momentoo momento da
transio de fase.
2.7
Dinmica em redes
Quanto a caracterizao de dinmicas podemos dividi-las em dois tipos: dinmica de

topologia e dinmica de ativao.
A dinmica de topologia utiliza medidas para caracterizar as mudanas topolgicas que
ocorrem na estrutura da rede no decorrer de cada poca. A inoperncia de um hub, devido a
falha ou ataque, numa rede de servidores causam alteraes na topologia da rede.
A dinmica de ativao analisa as mudanas relacionadas aos estados dos vrtices da
rede no decorrer do tempo em uma mesma poca E. Para uma rede neuronal, a diferena de
potencial acumulada no soma so os estados assumidos pelo vrtice. O nmero de vezes que
um neurnio tornou-se ativo conforme o crescimento da rede uma medida de dinmica de
ativao. Este tipo de dinmica pode ser usado para simular a disseminao de doenas em
plantas (35) ou em comunidades, caracterizar medidas no processo de envio de potenciais de
ativao de redes conforme diversas topologias (32), relacionar estrutura e dinmica em redes
complexas (36, 37), entre outros.
Na seo 2.7.1, analisaremos um modelo que ser utilizado para caracterizar dinmica
de ativao, finalizando na seo 2.7.3 com alguns trabalhos relacionados com medidas de
dinmica e medidas topolgicas em redes.
2.7 Dinmica em redes
65
Figura 2.31 Formao do componente gigante em redes neuronais em uma rede de neurnios
piramidais do crtex de macaco (macaco Rhesus). Na cor cinza, as clulas que fazem
parte do componente gigante. As marcas em x correspondem ao centro do soma.
2 Reviso
66
Figura 2.32 Tipos de dinmica em rede. A dinmica de topologia pode alterar a estrutura da rede
no decorrer do tempo, enquanto a dinmica de ativao altera os estados dos vrtices.
2.7.1
Modelo integra e dispara
A fig. 2.33 ilustra um neurnio i recebendo sinapses dos neurnios j = 1 e j = 2. O

(f )
instante de disparo de um neurnio j denotado por tj . Um trem de pulsos do neurnio

(1)
(2)
(N )
j seria representado pelo conjunto de instantes de disparos {tj , tj , . . . , tj }. A fig. 2.33

mostra dois instantes de disparos para cada neurnio j. Aps os dois disparos de cada neurnio,
o potencial da membrana i atinge o limiar mudando abruptamente para o potencial de ativao
(spike).
Figura 2.33 Ativao por limiar. Os sinais pr-sinpticos dos neurnios da esquerda so enviados at que o limiar seja atingido, causando uma mudana abrupta no potencial da
membrana.
Para estudar dinmica de redes, temos que definir qual o modelo mais adequado que
desejamos dada as caractersticas da rede a ser investigada. Os modelos de disparo por limiar
so baseados na soma de todas contribuies pr-sinpticas recebidas pela membrana. Quando
67
essa soma ultrapassa um limiar este neurnio dispara. O modelo Integra e dispara (integrate
and fire) um modelo de dinmica neuronal simplificado, o qual supe uma rede de neurnios
conectados com conexes distintas e potenciais de ativao dados por deltas de Dirac (10).
Outros modelos como o de Hodgkin-Huxley (38), Hindmarsh-Rose (39) so mais interessantes
quando se deseja estudar o comportamento mais aprofundado dos processos sinpticos entre
neurnios (40).
No modelo Integra e Dispara, o potencial da membrana de cada neurnio dada por
N
XX
dVi
(f )
ext(t)
m
gji (t tj ) ,
= Vi + RIi
+
dt
j=1 f
(2.7.1)
sendo
Vi : potencial da membrana;
Iiext: a corrente de entrada;
R: resistncia da membrana
gij : uma matriz de custos, sendo gij =
contrrio,
1
, no modelo conservativo, ou 1 em caso
ki
m = RC, sendo C a capacitncia.
Figura 2.34 Modelo Integra e dispara.
Dada uma rede de neurnios, adaptamos o modelo acima e representamos conforme a fig.
2.34. O neurnio i recebe potenciais provindos das entradas x1i , x2i , . . . xN i , sendo 1, 2, . . . , N
os neurnios pr-sinpticos de i que modificam o estado de ativao ou diferena de potencial
da membrana plasmtica M(i). um integrador, que recebe as entradas do m neurnios.
2 Reviso
68
A membrana recebe um trem de impulsos provindos das entradas em diferentes momentos.

Considerando t + 1 como o momento em a membrana recebeu um impulso a sua equao de
atualizao da membrana M(i) dada por
M(i)
(t+1)
= M(i)
(t)
N
X
(t+1)
xij
(2.7.2)
j=1
sendo que em alguns modelos utiliza-se ainda um decaimento de potencial ficando ento
a equaco mudada para
M(i)(t+1) = M(i)(t) +
N
X
(t+1)
xij
(2.7.3)
j=1
sendo que quando = 1, no houve decaimento. Na fig. 2.34, (i) uma funo
que verifica se M(i) atingiu um potencial maior ou igual a um limiar T h. No momento que
esse limiar atingido, M(i) torna-se ativo e o neurnio i dispara (transmite) potenciais ps
sinpticos a todos os seus n neurnios ps-sinpticos.
Aps a transmisso, M(i) = 0, entrando em estado de repouso. No prximo passo
processo recomea com todos os outros neurnios que atingiram o limiar, continuando sucessivamente.
M(i)
, ou seja, a diferena
N
de potencial conserva-se no sistema. De outra forma, pode-se adotar o modelo no conserEstes modelos podem ser conservativos, quando cada yik recebe
vativo, onde um potencial nico disparado para cada um dos N neurnios independente da
quantidade de vizinhos.
Considerando que inicialmente no tempo t = 0 todos os M(i) tem potencial zero, a
ativao inicial do modelo pode ser feito de vrios modos. Abaixo, formas de ativao mais
utilizadas:
1. Escolhemos arbitrariamente alguns vrtices sementes e de acordo com uma regra estabelecida, ativamos estes vrtices com uma diferena de potencial T h. Por exemplo,
podemos ativar todos os vrtices que tiverem grau de sada maior que o grau mdio;
2. Escolhemos aleatoriamente uma certa quantidade de vrtices e o ativamos;
3. Adicionamos a todos os vrtices potenciais aleatrios vi entre [0, th].
Nos dois primeiros itens, os neurnios sementes (com fonte) podem ser recarregados ou
no (sem fonte). Em ambos os casos ocorre uma dinmica de mudana de estados dos vrtices
no decorrer do tempo. Nos casos sem fonte, a escolha do valor do limiar importante, estando
69
relacionado com o grau mdio da rede. Com limiares muito acima do grau mdio, a rede tende
a perder estabilidade e o nmero de neurnios ativos tende a zero. Com limiares prximos
ao grau mdio, a curva mdia de vrias redes de neurnios ativos pequena inicialmente
formando uma curva crescente at estabilizar-se em um patamar com pequenas oscilaes. A
fig. 2.35 mostra a curva de disparos para algumas redes formada por neurnios piramidais do
hipocampo. As curvas do grfico mostram que aps um perodo a rede estabiliza o nmero
de disparos.
Figura 2.35 Nmero de disparos para redes formadas por neurnios do hipocampo.
2.7.2
Medidas de dinmica do integra e dispara
Para simular a dinmica, necessitamos de um vetor de cargas com os potenciais iniciais,

e um vetor auxiliar com valores zero, que servir como integrador nos prximos passos. Para
todos aqueles vrtices que atingiram o limiar disparamos potenciais aos seus vizinhos pssinpticos. Aps os disparos, os vrtices que atingiram o limiar ficam com valor zero, simulando
o estado de repouso do neurnio. Os sinais recebidos pelos vrtices ps-sinpticos sero
1 no modelo no conservativo, ou 1/ki para o modelo conservativo. Para cada vrtice i
adicionamos os potenciais recebidos de vizinhos pr-sinpticos, adicionando posteriormente
2 Reviso
70
este vetor integrador ao vetor de cargas. A seguir, zeramos o vetor integrador. Voltamos
ento para o vetor de cargas e repetimos as operaes por uma quantidade de perodos Tmax .
Para representar os perodos de ativao dos neurnios (spykegram), usamos uma matriz
binria
S=
S11
S21
..
.
S12
..
.
...
..
S1n
..
.
STmax 1 STmax 2 . . . STmax n
(2.7.4)
sendo Tmax o tempo mximo observado e n o nmero de neurnios. Stj = 1, se o neurnio j

disparou no tempo t. A seguir, temos algumas medidas:
A taxa de disparos de cada neurnio i:
1 PTmax
Sti ;
taui =
Tmax t=0
O nmero de disparos ou de neurnios ativos em cada tempo t: t =

A mdia de disparos na rede: =
PTmax
Sti ;
t=0
O intervalo mdio entre disparos de um neurnio i: hi i =

so os intervalos entre dois disparos consecutivos.
r
O desvio padro do intervalo de disparos : i =
1 Pk
ij , onde i1 , i2 , . . . , ik
k j=1
1 Pk
(ij hi i)2
k j=1
Nesta tese, usaremos redes compostas por neurnios reais aplicando a dinmica integra e
dispara, onde a estrutura da rede depende das caractersticas morfolgicas do tipo de neurnio
utilizado. Escolhemos o modelo no conservativo, por ser o mais prximo da propagao
natural de sinais entre neurnios. Com essa dinmica, relacionaremos as medidas topolgicas
entre si e com as medidas de dinmica.
2.7.3
Estrutura e dinmica em redes morfolgicas: trabalho relacionados
Vrios trabalhos do Grupo de Pesquisa em Viso Ciberntica esto relacionados com redes
neuronais tendo por investigao as relaes entre estrutura e dinmica. Em 2008, Luciano
Costa publicou um trabalho utilizando redes neuronais aplicando a dinmica de integra e
71
dispara para investigar padres de ativao em comunidades neuronais (41). Relacionando

vrias situaes reais, uma das estimativas percebidas foi que a a estabilizao do nmero de
disparos na rede (avalanches) (32) est relacionada com o nmero de vrtices em cada nvel
hierrquico. A seguir, em 2009, Anhnert, Travenolo e Costa (30) investigaram a dinmica
e a conectividade de redes neuronais bidimensionais e sua relao com a forma. Usaram
um modelo simplificado de neurnios, sendo seus dendritos representados por retas e o soma
por crculos, conforme ilustra a fig. 2.36. No modelo, ocorria conexo pr-sinptica de um
neurnio A em um neurnio B se o dendrito de B estivesse sobreposto ou tocasse o crculo
de A. Variando a quantidade de dendritos na rede e utilizando o modelo integra e dispara,
constatou-se que a variabilidade de dendritos proporcional densidade de neurnios ativos
e conectados entre si aps um determinado perodo.
Figura 2.36 Um modelo de rede morfolgica. Um modelo simplificado, conforme definido em (30).
O soma, ao tocar um dendrito, emite um sinal pr sinptico para o dendrito.Assim,
os sinais de sinapses so emitidos de A, para B e de B para C, sendo a direo
da sinapse indicado pela seta que aponta para o neurnio que possui o dendrito. O
mesmo acontece entre os neurnios E e F , ficando os demais sem conexo.
Outros artigos mais atuais tratam de outras investigaes relacionadas a dinmica e topologia, tais como (36), (37) e (42). Esta tese investiga as relaes entre dinmica e topologia
por meio de um outro perfil: a investigao da evoluo da rede por pocas utilizando neurnios tridimensionais e suas relaes entre topologia e dinmica em cada poca, especialmente
quanto caracterizao das redes em termos das suas medidas topolgicas ao longo das pocas de desenvolvimento e pela variao da correlao de Pearson entre a dinmica de ativao
e topologia durante o desenvolvimento das redes.
72
2 Reviso
73
Captulo 3
Desenvolvimentos e Resultados
Neste captulo descreveremos o desenvolvimentos desta pesquisa. Inicialmente a motivao
e objetivos gerais do trabalho realizado, seguido dos materiais utilizados e procedimentos para
anlise dos resultados. Os resultados obtidos so ento apresentados e discutidos.
3.1
Metodologia
Durante o perodo pr-natal os neurnios nascem e crescem em vrias regies do crebro,

continuando aps o nascimento do animal, embora de modo mais discreto. Na formao
inicial de uma rede de neurnios desde o perodo pr-natal, clulas neuronais primordiais
(neuroblastos) diferenciam-se e migram para determinadas regies do crebro em diferentes
momentos. medida que crescem, vo ramificando-se e conectando-se com seus vizinhos,
formando uma rede neuronal complexa que depende da gentica do indivduo e dos estmulos
recebidos do ambiente. Em cada regio temos clulas com diferentes formas apropriadas para
execuo de determinadas funes.
Pretendemos simular a evoluo da conectividade distribuindo neurnios tridimensionais
ao longo de uma regio plana, compatvel com a organizao do crtex dos primatas, conforme
ilustrado na fig. 3.1 . Os neurnios so distribudos clula por clula formando, na aleatoriedade
da distribuio espacial, grupos que se conectam entre si formando componentes fortemente
conexos. A classe de neurnios escolhida a das clulas piramidais, que so bastante frequentes
no crtex dos mamferos e tambm possuem uma maior quantidade de amostras na base
neuromorpho. De forma a refletir a organizao espacial destas clulas no crtex, no modelo
aqui desenvolvido elas so distribudas com rotao livre, ou seja, de forma a melhor refletir
a organizao uniformemente aleatria. Por simplicidade, o axnio representado por um
cilindro, com o respectivo raio de alcance. Tal simplificao tambm se deve a termos poucas
clulas na base neuromorpho com informaes confiveis sobre os axnios.
O foco desse trabalho a conexo de curto alcance, de forma que clulas mais prximas
tero maior probabilidade de conexo. No incluiremos conexes de longo alcance para evitar
74
Figura 3.1 Ilustrao da organizao das redes simuladas ao longo de um plano-xz. O eixo principal
das clulas orientado ao longo do eixo y.
acrscimo de parmetros nas simulaes e permitir uma anlise mais focada na adjacncia
espacial dos neurnios formando uma rede geogrfica.
A estrutura topolgica utilizada para representar estas redes neuronais uma rede direcionada, sendo a origem da ligao o vrtice correspondente ao neurnio pr-sinptico. Investigamos ento as medidas topolgicas e dinmicas destas redes ao longo das pocas. Para cada
poca, de cada rede, simula-se o modelo integra-e-dispara sem conservao, de forma a que
possamos relacionar as medidas de topologia com as medidas de dinmica.
Utilizando os dados digitais da base neuromorpho, inicialmente alinhamos a maior variao das 3 medidas (comprimento, largura e altura) do neurnio ao eixo-y do conjunto de
coordenadas 3D, utilizando a transformada Karhunen-Love (43), conforme ilustra a fig. 3.2.
Aps essa operao, normalizamos as dimenses da clula de tal modo que todos tivessem
uma mesma largura de projeo de seus dendritos basais no plano-xz, Isto evita os efeitos de
alcance de conexo em distncias diferentes, uma vez que queremos estudar as caractersticas
relacionadas forma (fig. 3.3).
Figura 3.2 Transformada Karhunen-Love (TKL). A transformada possibilita alinhar os eixos na

ordem que desejar.
3.1 Metodologia
75
Figura 3.3 Normalizao na projeo do plano-xz. Tomando o a projeo do plano-xz, a normalizao da clula feita pela diviso de todos os pontos pelo dimetro dos dendritos
basais (vermelho).
A fig. 3.4.(a) ilustra o crescimento de uma rede neuronal ao longo de 4 pocas. Definese como poca o estgio de desenvolvimento da rede, relativo quantidade de neurnios
adicionados ao longo do tempo. A dinmica comea com a colocao de uma clula piramidal
em uma posio do plano. Esta posio escolhida aleatoriamente e a clula rotacionada
em um ngulo uniformemente aleatrio. Esta a poca 1 da rede a ser formada. A seguir, na
poca 2, fazemos uma nova adio da mesma clula sorteando uma nova rotao e posio
no plano. Observamos ento a possibilidade de sinapse dendrito-axnio desta clula com a
clula anterior, e vice-versa. Uma conexo sinptica assim obtida sempre que houver uma
sobreposio entre um axnio de uma clula com um dendrito de outra. O processo se repete
at uma certa quantidade de pocas E, que fixaremos em 500. Este nmero de pocas
suficiente para que possa ser investigado o fenmeno de percolao na rede. Ento, cada rede
obtida respectivamente a um determinado neurnio.
As conexes entre as clulas dependem da distribuio espacial do dendritos basais, cuja
possibilidade de receber a conexo de um axnio pr-sinptico depende de uma distncia
considerada suficiente para passagem de elementos qumicos para os dendritos ps-sinpticos.
Definimos como raio de alcance a distncia mxima para conexo entre um axnio pr-sinptico
e um dendrito ps-sinptico. Ou seja, no h conexo se a menor distncia entre uma axnio
e um dendrito for superior ao raio de alcance. O valor do raio de alcance neste trabalho foi
5. Simplificadamente, seria como se o axnio pr-sinptico fosse um cilindro de raio igual a
5, cuja sinapse s ocorreria se o axnio tocasse o dendrito ps-sinptico. A formao dos
fenmenos referentes a percolao aproximado esferas de percolao (44). No artigo de
(44), usando simulaes de Monte Carlo, foram utilizadas esferas aleatoriamente distribudas
e analisado o limiar de percolao no espao 3D. Na construo das redes nesta tese, cada
76
vrtice seria uma esfera de tamanho diferente, e distribudas em um plano.

A fig. 3.4.(b) ilustra o grfico normalizado do tamanho do maior componente conexo fraco
e forte. A formao do componente forte representado em verde na fig.3.4.(a). Inicialmente,
temos a formao de vrios componentes fortes, representados pela mesma cor. A seguir,
com o surgimento de novos neurnios na regio, as conexes destas clulas com as demais
permitem o crescimento deste componentes mediante a ligao de um componente com outro.
O componente conexo dominante aumenta com a unio de outros componentes menores
variando gradualmente de tamanho at sofrer uma variao abrupta, momento este em que
o componente se espalha por todo o sistema, formando o componente percolante (24). A
indicao desta variao so os picos, na base do grfico, correspondendo s derivadas do
tamanho dos maiores componentes fortes e fracos. Observa-se, na fig. 3.4 que por volta de
400 neurnios ocorre uma variao abrupta, momento em que o maior componente conexo
percola o sistema.
Para a caracterizao topolgica escolhemos como medidas individuais dos vrtices: o
grau de entrada, grau de sada, coeficiente de agregao e reciprocidade. Para caracterizar a
dinmica integra e dispara utilizaremos a taxa mdia de disparos e a mdia e o desvio padro
dos tempos entre disparos.
A fig.3.4.(c), ilustra o grau mdio para o exemplo respectivo. Percebe-se que esta medida
est fortemente relacionada com o tamanho do maior componente conexo.
A fig.3.4.(d) mostra uma medida de dinmica integra e dispara, ou seja, o nmero final
de sinais sinpticos (disparos) sendo emitidos para poca final daquele estgio de simulao.
E finalmente, na fig. 3.4.(e), ilustramos a evoluo dos disparos (obtida da matriz binria
de disparos), sendo as linhas correspondentes aos instantes e as colunas correspondentes aos
neurnios. A cor vermelha identifica os neurnios que esto em estado de ativao naquele
instante. Portanto, quanto maior o tamanho do componente fortemente conexo, maior a
quantidade de neurnios disparando para seus vizinhos, podendo um sinal ser propagado por
longas distncias no sistema.
Na fig. 3.5 temos, em tamanho maior, a matriz de disparos para poca 500. Percebe-se
que alguns vrtices nunca disparam (cor azul). So aqueles que no pertencem ao maior
componente conexo forte. Incialmente a rede possui alguns vrtices ativos, aumentando com
o decorrer do tempo at atingir um patamar de ativao semelhante a fig. 2.35.
Para verificar como a forma est influenciando na evoluo topolgica escolhemos trs tipos
de neurnios piramidais escolhemos trs tipos de neurnios piramidais, do crtex occipital e
pr-frontal de humanos e do crtex de macao. Escolhemos aleatoriamente 15 neurnios de
3.1 Metodologia
E = 200
77
E = 300
E = 400
E = 500
Evoluo da rede.
(a)
Componentes fraco e forte (cor azul).

(b)
Grau mdio
(c)
Nmero de disparos emitidos.

(d)
Matriz de disparos (spikegram).

(e)
Figura 3.4 Exemplo de dinmica neuronal. Uma mesma rede sendo formada ao longo de pocas
quando a rede est com 200, 300, 400 e finalmente 500 neurnios (a), as cores idnticas
indicam componentes fortemente conexos sendo formados conforme o crescimento da
rede, sendo a cor verde o maior componente conexo. Grficos com o tamanho normalizado (b) do componentes forte (azul) e fraco (verde), de acordo a dinmica da
rede.
78
Figura 3.5 Matriz de disparos (spikegram) para poca 500.
cada um destes tipos. Alguns destes neurnios so ilustrados nas fig. 3.6, 3.7 e 3.8.
O desenvolvimento deste arcabouo experimental permite vrias investigaes relacionando a morfologia individual dos neurnios, as propriedades topolgicas das redes respectivamente obtidas e a dinmica de ativao segundo o modelo integra-e-dispara. Em particular,
estamos interessados em dois principais aspectos descritos a seguir.
Primeiro, pretendemos estudar como medidas topolgicas obtidas ao longo das pocas podem contribuir para a diferenciao das clulas neuronais, comparativamente caracterizao
mais tradicional por medidas diretas da forma do neurnio. Assim, primeiramente caracterizaremos as propriedades morfolgicas dos neurnios utilizados em termos de 21 medidas
representadas como histogramas, assim como atravs da respectiva projeo por anlise de
componentes principais. Em seguida, utilizaremos como atributos a sequncia de valores de
certas medidas topolgicas (mais especificamente grau de entrada, grau de sada, coeficiente
de agregao e reciprocidade) tomadas ao longo das pocas como vetores de atributos, o que
permitir a comparao com os grupos obtidos utilizando-se apenas as medidas morfolgicas
de cada neurnio.
O segundo ponto de interesse especial desta tese a investigao do relacionamento entre
funo (dinmica integra-e-dispara) e a topologia da rede ao longo das pocas de desenvolvimento. Este relacionamento ser quantificado atravs da correlao de Pearson entre cada
uma de vrias medidas de topologia (isto , grau de entrada, grau de sada, coeficiente de
agregao e reciprocidade) e cada uma de vrias medidas dinmicas (isto , taxa de disparo,
mdia e desvio padro do intervalo de disparos). Um alto valor de correlao portanto indicar
3.2 Recursos computacionais
79
que a propriedade dinmica pode ser estimada com boa preciso a partir da medida topolgica,
e vice-versa. Questes de particular interesse incluem:
(A) Como essas correlaes variam ao longo do crescimento da rede, em particular antes
e aps o fenmeno crtico de percolao?
(B) Como essas correlaes dependem das propriedades topolgicas das redes e tambm
das propriedades morfolgicas das clulas neuronais respectivas?
(C) At que ponto as correlaes podem ser utilizadas para discriminao entre as clulas
neuronais utilizadas na construo das redes?
(D) Como as correlaes se modificam quando mudamos a distncia mxima de conexo
de alcance da regio axonal?
As sees seguintes tratam dos recursos computacionais utilizados, descrevem os resultados obtidos e suas respectivas discusses.
3.2
Recursos computacionais
Para cada neurnio foram obtidas 50 evolues de rede e para cada poca dessas redes
foram realizadas 500 simulaes da dinmica. A linguagem Delphi foi usada para construir a
rede ao longo das pocas, visualizar os neurnios e rede em trs dimenses. Os scripts em
Python e Scilab foram usados para gerao de grficos e extrao de medidas. Usamos a
biblioteca livre Igraph e script Scilab para anlise de dados utilizando Anlise de Componentes
Principais (PCA) e Anlise Cannica (45). Para gerao das redes utilizou-se o sistema
operacional Windows e extraes medidas foram feitas num cluster GNU Linux.
3.3
Caracterizao dos neurnios atravs de Medidas

Morfolgicas
Nas fig.3.6, fig.3.7 e fig.3.8, temos alguns neurnios cujas coordenadas foram retiradas
do repositrio neuromorpho e visualizadas atravs de um programa desenvolvido durante a
pesquisa para este propsito.
Para caracterizar a morfologia das classes neuronais, extramos a principais medidas utili-
80
Figura 3.6 Neurnios piramidais occipitais.
3.3 Caracterizao dos neurnios atravs de Medidas Morfolgicas
Figura 3.7 Neurnios piramidais pr-frontais.
81
82
Figura 3.8 Neurnios piramidais crtex macaco.
3.3 Caracterizao dos neurnios atravs de Medidas Morfolgicas
83
zadas, atravs do programa gratuito L-Measure, disponvel no repositrio neuromorpho. Extramos as medidas e disponibilizamos visualmente as caractersticas destas clulas atravs de
vrios histogramas conforme a fig. 3.9. Com estas medidas podemos classificar com distino
os neurnios do crtex do primata, enquanto os neurnios do crtex humano apresentam caractersticas morfolgicas semelhantes. Isto fica claro na separao entre a curva verde (macaco)
e as outras duas curvas, especialmente para as medidas nmeros de bifurcaes, profundidade,
dimetro mdio, ordem do ramo, contrao mdia, fragmentao, taxa mdia de Rall, mdia
do ngulo de bifurcao local e mdia da dimenso fractal.
Figura 3.9 Histograma de medidas neuromorpho. Medidas relacionadas aos neurnios humanos
occipital e prefontal, e neurnios do crtex de macaco.
Utilizando a tcnica PCA (45) reduzimos as dimenses de caractersticas para somente

duas, podendo ver conforme a fig. 3.10 que h uma distino entre estas classes de neurnios
piramidais de humanos e primatas. Um pouco mais alm, podemos visualizar com mais
84
Figura 3.10 PCA para medidas das trs classes neuronais, occipital, pr-frontal e crtex de macaco.
conforto esta separao atravs do discriminante linear de Fisher ou discriminante cannico.

Este discriminante, atravs de duas combinaes das medidas extradas conseguiu discriminar
um pouco mais as informaes correspondentes aos neurnios do smio, mas no aos neurnios
de humanos.
3.4
Correlaes dinmica x topologia em relao ao

crescimento das redes: redes individuais
As figs. 3.12, 3.13, 3.14 mostram vrios aspectos de redes obtidas respectivamente para
neurnios do macaco, occipitais humanos e pr-frontais humanos. A evoluo do tamanho do
maior componente (primeira linha das figuras) semelhante nos trs casos, com a percolao
por componente fraco acontecendo antes do componente forte, como poderia ser esperado. O
ponto de percolao forte lado-a-lado, marcado com uma linha vertical em todas essas figuras,
tende a corresponder variao abrupta do tamanho do maior componente e a acontecer
proximamente na poca 400. Essas figuras mostram tambm a derivada do tamanho desses
componentes.
O nmero de neurnios ativos (segunda linha das figuras) tende a acompanhar proxi-
3.4 Correlaes dinmica x topologia em relao ao crescimento das redes: redes individuais
85
Figura 3.11 Funo discriminante cannica para medidas das trs classes neuronais, occipital, prfrontal e crtex de macaco.
mamente o tamanho do maior componente forte, apresentando uma variao abrupta na

percolao. Quando normalizado pelo tamanho do maior componente, o nmero de neurnios
ativos (terceira linha) apresenta grande variao num intervalo de pocas prximo percolao do componente fraco, seguida de uma evoluo mais suave, que tende para 100%.
Comportamento semelhante observado para os trs neurnios.
A reciprocidade da rede (quarta linha) converge rapidamente para um valor pouco superior
a 0.5, apresentando pouca variao ao longo das pocas mesmo por ocasio da percolao do
componente fraco e forte.
As quintas linhas das figuras mostram a evoluo da correlao de Pearson entre o grau
de sada e a taxa mdia de disparos dos neurnios. Observa-se grande variao num intervalo
de pocas que precede a percolao do componente fraco, seguida de uma convergncia suave
para um valor ligeiramente acima de 0.5, que tende depois a retornar a este valor (prximo
poca 500).
Estas variaes anteriores epoca da percolao do componente conexo fraco, ocorre
porque o maior componente fortemente conectado alterna entre os grupos conectados (fig.
3.4 (a), para E=200 e E=300). Os componentes conexos fortes que surgem oscilam no
86
Figura 3.12 Medidas de topologia e dinmica para redes de neurnios do cortex do macaco ao
longo das pocas. De cima para baixo, tamanho dos componentes conexos, nmero
de neurnios ativos, neurnios ativos por tamanho de componente, reciprocidade da
rede, correlaes entre grau de sada x taxa de ativao, reciprocidade x taxa de
ativao, coeficiente de agregao x taxa de ativao e grau de entrada x taxa de
ativao.
3.4 Correlaes dinmica x topologia em relao ao crescimento das redes: redes individuais
87
Figura 3.13 Medidas de topologia e dinmica para rede de neurnios occipitais ao longo das pocas.
De cima para baixo, tamanho dos componentes conexos, nmero de neurnios ativos,
neurnios ativos por tamanho de componente, reciprocidade da rede, correlaes entre
grau de sada x taxa de ativao, reciprocidade x taxa de ativao, coeficiente de
agregao x taxa de ativao e grau de entrada por taxa de ativao.
88
Figura 3.14 Medidas de topologia e dinmica para rede de neurnios occipitais ao longo das pocas.
De cima para baixo, tamanho dos componentes conexos, nmero de neurnios ativos,
neurnios ativos por tamanho de componente, reciprocidade da rede, correlaes entre
grau de sada x taxa de ativao, reciprocidade x taxa de ativao, coeficiente de
agregao x taxa de ativao e grau de entrada por taxa de ativao.
3.5 Correlaes dinmica x topologia em relao ao crescimento das redes: mdias sobre redes
89
domnio do maior tamanho de uma poca para outra.

O comportamento da correlao entre o grau de entrada e a taxa mdia de disparos,
ilustrado nas sextas linhas das figuras, apresenta comportamento semelhante, a menos do fato
de que a convergncia se d para um valor superior a 0.5 nos trs casos. Estes valores de
correlaes, superiores ou prximos de 0.5, so significativos e indicam um relacionamento
entre a taxa mdia de disparos e os graus de entrada e sada mdios nas redes obtidas para
os 3 tipos de neurnios. De fato, uma correlao positiva mais forte observada para o grau
de entrada, sugerindo que a atividade da rede em boa parte determinada pelo seu grau
mdio de entrada, ou seja, o quanto de ativao os neurnios recebem. Curiosamente, aps o
crescimento que segue a percolao j observado, existe uma ligeira queda desta correlao,
que pode ser entendida como o fato de que, quando a rede est j bem desenvolvida e
conectada, o acrscimo de conexes de entrada no necessariamente significa no aumento da
taxa de disparo, que tende a saturar (neurnios ativados a cada poca).
A correlao entre o coeficiente de agrupamento e a taxa mdia de disparos ilustrada
nas quintas linhas das figuras. Novamente, aps uma grande variao no intervalo de pocas
que antecede a percolao do componente fraco, os valores desta correlao tendem a zero,
indicando que esta medida topolgica no se relaciona, ao menos para esses casos, com a
dinmica de ativao das redes.
Para investigar o efeito do raio do alcance nas correlaes, repetimos as simulaes anteriores, utilizando raio 10 ao invs de 5. Os resultados obtidos so discutidos apresentados nas
fig. 3.15, 3.16, 3.17. Nesses trs casos observa-se que as percolaes acontecem por volta da
poca 300, ao invs de 400 como nos casos anteriores.
Portanto, o aumento do raio implicou numa evoluo mais rpida da rede, o que tambm
refletido nas medidas de topologia, dinmica e correlaes para as trs clulas consideradas.
3.5
Correlaes dinmica x topologia em relao ao

crescimento das redes: mdias sobre redes
Enquanto na seo anterior realizamos uma primeira verificao sobre as propriedades

topolgicas, dinmicas, e respectivas correlaes considerando-se clulas individuais de cada
uma das trs categorias, nesta seo apresentamos resultados obtidos para um nmero maior
de clulas piramidais daquelas categorias. Foram considerados um total de 15 neurnios por
90
Figura 3.15 Medidas de topologia e dinmica com raio de alcance do axnio igual a 10, de neurnios
do crtex do macaco.
91
Figura 3.16 Medidas de topologia e dinmica com raio maior de neurnios occipital humano.
92
Figura 3.17 Medidas de topologia e dinmica com raio maior de neurnios pr-frontal humano.
93
categoria. Cada clula foi utilizada para crescer em 50 redes (simulaes), e a dinmica de
integra-e-dispara foi simulada para cada uma das 500 pocas de desenvolvimento das redes.
Temos assim, um total de 45x50x500 simulaes de dinmica de ativao. Essas anlises
foram repetidas para o conjunto completo de clulas utilizadas (261 clulas occipitais e 318
clulas pr-frontais de humano e 80 clulas de macaco), obtendo-se resultados semelhantes.
A fig. 3.18 apresenta o nmero de neurnios ativos (primeira linha), reciprocidade mdia
das conexes (segunda linha) e mdia de disparos (terceira linha). As curvas mdias com
barras de desvio padro mostradas em preto, verde e vermelho referem-se cada uma das
trs categorias de neurnios piramidais. Observa-se grande semelhana nas evolues obtidas
para as trs categorias de neurnios, com as clulas do macaco apresentando valores levemente
menores para as trs medidas. Nota-se tambm boa semelhana com os resultados obtidos
para uma nica clula descritos na seo anterior. Grande variao entre os trs tipos de
clulas observada para a reciprocidade da rede entre as pocas 100 e 200.
A fig. 3.19 apresenta as mdias e desvios para correlaes entre medidas topolgicas. Novamente, a variao entre as simulaes, expressa nas barras de erro, mostra-se mais acentuada
entre as pocas intermedirias (a partir de 100), diminuindo ao longo de pocas posteriores.
Observa-se pouca separao entre as trs curvas. Valores relativamente altos de correlao
de Pearson foram obtidos apenas entre os graus mdios de entrada e sada (em torno de 0.6)
e para a correlao entre o coeficiente de agregao e a reciprocidade das conexes (valores
entre 0.3 e 0.4).
As correlaes entre as medidas dinmicas utilizadas apresentada na fig. 3.20. Essas
correlaes apresentam comportamento compatvel ao que poderia ser esperado, ou seja, a
taxa de disparo mdia tende a ser inversamente proporcional ao intervalo mdio entre disparos.
A fig.3.21 ilustra as correlaes de maior interesse neste trabalho, ou seja, entre propriedades dinmicas e topolgicas. Em linhas gerais, o comportamento qualitativo dessas curvas
corrobora aquele para clulas individuais discutido na seo anterior: as correlaes entre os
graus mdios de entrada e sada e a taxa mdia de disparos so, respectivamente, prximas a
0.7 e 0.5 para as pocas finais, enquanto o coeficiente de agregao e reciprocidade resultam
pouco relacionados com a taxa de disparos. Pouca diferena observada entre as trs categorias, com valores ligeiramente menores para as correlaes com os graus mdios de entrada
e sada. De forma semelhante s correlaes anteriores, a variao maior observada entre as
pocas a partir de 100 at aproximadamente 350, decrescendo subsequentemente.
MediaDisp.Tempo
Recip.Rede
Ativos
94
500
400
300
200
100
0
1000
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.10
Macaco
Pre frontal
Occipital
500
400
300
200
100
0
1000
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
poca
C(Ca,R)
out
C(k ,R)
out
C(k ,Ca)
in
C(k ,R)
in
C(k ,Ca)
in
out
C(k ,k )
Figura 3.18 Mdias e desvios padro do nmero de neurnios ativos; reciprocidade da rede e
mdia de disparos no tempo ao longo das pocas para as trs categorias de neurnios
piramidais.
0.8
0.6
0.4
0.2
0.0
0.2
0
0.4
0.3
0.2
0.1
0.0
0.1
0.2
0.3
0.4
0.5
0
0.4
0.3
0.2
0.1
0.0
0.1
0.2
0.3
0
0.3
0.2
0.1
0.0
0.1
0.2
0.3
0.4
0.5
0
0.4
0.3
0.2
0.1
0.0
0.1
0.2
0.3
0
0.5
0.4
0.3
0.2
0.1
0.0
0.1
0.2
0.3
0.4
0
Macaco
Pr-frontal
Occipital
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
poca
Figura 3.19 Mdias e desvios padro para as correlaes de Pearson entre as medidas topolgicas
ao longo das pocas de desenvolvimento para as trs categorias de neurnios piramidais
C( , )
C(TxDisp., )
C(TxDisp., )
0.6
0.4
0.2
0.0
0.2
0.4
0.6
0.8
1.0
0
0.4
0.2
0.0
0.2
0.4
0.6
0.8
0
1.0
0.8
0.6
0.4
0.2
0.0
0.2
0
95
Macaco
Pre frontal
Occipital
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
poca
C(R,TxDisp.)
C(Ca,TxDisp.)
out
C(k ,TxDisp.)
in
C(k ,TxDisp.)
Figura 3.20 Mdias e desvios padro para as correlaes Pearson entre as medidas dinmicas ao
longo das pocas de desenvolvimento para as trs categorias de neurnios piramidais.
1.0
0.8
0.6
0.4
0.2
0.0
0.2
0
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.1
0.2
0
0.4
0.3
0.2
0.1
0.0
0.1
0.2
0.3
0.4
0
0.4
0.3
0.2
0.1
0.0
0.1
0.2
0.3
0
Macaco
Pre frontal
Occipital
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
poca
Figura 3.21 Mdias e desvios padro das correlaes as correlaes entre as medidas dinmicas e
topolgicas ao longo das pocas de desnvolvimento para as trs categorias de neurnios
piramidais.
96
3.6
Discriminao das categorias neuronais a partir

dos perfis das medidas e correlaes
Um outro aspecto interessante a ser investigado quando dispomos das medidas e correlaes de aspectos da topologia e da dinmica at que ponto a considerao de tais valores
ao longo das pocas, em contraste com medidas morfolgicas diretas dos neurnios, pode
contribuir para a diferenciao das categorias. Para tanto, tomamos as curvas mdias das
vrias medidas e correlaes ao longo das pocas e as utilizamos como vetores de atributos,
que foram ento analisados por componentes principais (PCA).
A fig. 3.22 ilustra os PCAs obtidos considerando-se apenas medidas gerais da rede, mais
especificamente o nmero de neurnios ativos, reciprocidade e mdia de disparos. Observa-se
alguma separao entre os neurnios occipitais, que espalham-se pelo grfico, diferentemente
das outras duas categorias. A fig. 3.23 apresenta os resultados obtidos quando as correlaes
entre medidas topolgicas ao longo das pocas so consideradas como vetores de atributos.
As clulas de macaco separam-se um pouco para a correlao coeficiente de agregao e
reciprocidade. Novamente as clulas occipitais apresentam uma maior variao no grfico.
A fig. 3.24 ilustra os resultados de PCA obtidos para correlaes entre medidas dinmicas.
Finalmente, a fig. 3.25 mostra os resultados de PCA para as correlaes entre medidas
topolgicas e dinmicas. Novamente, a correlao que envolve o coeficiente de agregao
mostra um espalhametno maior das clulas occipitais humanas em relao aos outros dois
casos.
Figura 3.22 Anlise de componentes principais tomando-se medidas o nmero de neurnios ativos;
reciprocidade da rede e mdia de disparos no tempo ao longo das pocas.
3.6 Discriminao das categorias neuronais a partir dos perfis das medidas e correlaes
97
Figura 3.23 Anlise de componentes principais tomando-se como vetores de atributos as correlaes entre medidas topolgicas ao longo das pocas.
Figura 3.24 Anlise de componentes principais tomando-se como vetores de atributos as correlaes entre medidas dinmicas ao longo das pocas.
98
Figura 3.25 Anlise de componentes principais tomando-se como vetores de atributos as correlaes entre medidas topolgicas e dinmicas ao longo das pocas.
99
Captulo 4
Concluses
Este trabalho abordou o tema do relacionamento entre forma, topologia e dinmica de

ativao ao longo de pocas de desenvolvimento de redes neuronais tridimensionais morfologicamente realistas, derivadas da base Neuromorpho. Foram utilizados trs tipos de neurnios
piramidais: dois de humanos (occipitais e pr-frontais) e um de macacos (macaco Rhesus),
que foram caracterizados morfologicamente atravs de histogramas de medidas e anlise de
componentes principais. Redes neuronais foram crescidas com neurnios dessas categorias
selecionadas, e a dinmica de ativao integra-e-dispara foi simulada em cada poca ao longo
do desenvolvimento. O relacionamento entre dinmica e topologia foi ento quantificado em
termos de correlaes de Pearson entre vrias medidas. Diversos resultados interessantes foram obtidos. Correlaes significativas foram obtidas entre a taxa mdia de disparos e o grau
mdio de entrada e sada em todos os casos. A primeira destas taxas mostrou-se maior que o
valor tpico de 0.5 obtido entre o grau mdio de sada e a taxa mdia de disparos. Correlao
prxima a zero foi obtida entre o coeficiente de aglomerao mdio e a taxa mdia de disparos.
Observou-se tambm variaes intensas das correlaes em intervalos de pocas que precedem a percolao do componente fracamente conectado, seguidas de rpida convergncia
para valores tpicos. No caso da correlao entre a taxa mdia de disparos e o grau mdio de
entrada, observou-se uma ligeira diminuio para valores elevados das pocas, sugerindo uma
saturao da ativao da rede, que passa a no refletir variaes no grau mdio de entrada.
Investigou-se ainda como o uso dos perfis de evoluo das vrias correlaes par-a-par
pode ser utilizado para discriminao entre os trs tipos de clulas piramidais.
As principais contribuies inovadoras deste trabalho podem ser sumarizadas como:
1. Desenvolvimento de um arcabouo computacional para investigao do relacionamento
entre morfologia, topologia e dinmica neuronal. Este arcabouo permitiu que a dinmica de
integra-e-dispara seja simulada para cada uma das pocas do desenvolvimento das conexes
da rede em um espao tridimensional, enquanto medidas da topologia da rede so obtidas;
2. Comparao das propriedades morfolgicas de trs tipos de clulas piramidais em
termos de histogramas e anlise de componentes principais (PCA). Verificou-se que os dois
4 Concluses
100
tipos de clulas piramidais dos humanos (occipitais e pr-frontais) apresentam propriedades

morfolgicas muito semelhantes entre si e, ao mesmo tempo, substancialmente diferentes das
clulas piramidais do macaco. Desta forma, esta escolha permitiu a considerao tanto de
grupos morfologicamente semelhantes como distintos nas investigaes subsequentes;
3. Caracterizao, em termos de medidas respectivas, da topologia das redes produzidas
por estes trs tipos de clulas ao longo das pocas de desenvolvimento, incluindo a identificao
do momento da percolao lado-a lado e da evoluo dos tamanhos dos componentes fraca e
fortemente conectados;
4. Caracterizao da dinmica integra-e-dispara ao longo da evoluo das redes em termos
de medidas relacionadas taxa de disparo e intervalos entre disparos. Verificou-se que o
nmero de neurnios disparando tende a aumentar com o desenvolvimento da rede;
5. Estudo da relao entre caractersticas topolgicas em termos do coeficiente de correlao de Pearson ao longo das pocas. Observou-se pouca separao entre as trs categorias.
6. Estudo da relao entre caractersticas dinmicas (de ativao) em termos do coeficiente
de correlao de Pearson ao longo das pocas. Neste caso, o relacionamento tendeu a ser
definido pela ligao intrnseca natural entre a taxa mdia de disparo e o intervalo mdio entre
disparos, que tendem a ser negativamente correlacionados;
7. Estudo da relao entre caractersticas dinmicas e topolgicas atravs do coeficiente
de correlao de Pearson ao longo das pocas. Verificou-se que existe uma correlao significativa entre a dinmica de ativao e os graus de entrada e sada mdios, sendo mais forte no
primeiro caso. Notou-se, ainda, que essas correlaes apresentam evoluo caracterizada por
um perodo de ampla variao (antecedendo a percolao do componente fraco), crescendo
suavemente aps esta percolao e depois decrescendo para pocas posteriores. Acreditamos
que este decrscimo indique saturao da ativao da rede, que passa a tornar menos relevante
o relacionamento entre o grau de entrada e a mdia de ativao. No se observou relacionamento significativo entre o coeficiente de aglomerao mdio e a taxa mdia de ativao. O
mesmo resultado foi obtido respectivamente reciprocidade das conexes.
8. Investigou-se, ainda, como os valores das correlaes entre as vrias medidas de dinmica de ativao e topologia consideradas ao longo de todas as pocas (de 0 a 500) pode
contribuir para a discriminao entre os trs tipos de neurnios piramidais considerados. Acreditamos que a considerao dos valores de cada medida ao longo das pocas como vetor de
atributo na categorizao dos tipos neuronais apresenta bom potencial para representaes
mais completas das propriedades de conexo, ou mesmo de dinmica, das clulas neuronais
consideradas.
4 Concluses
101
Vrios so os trabalhos futuros que podem ser realizados utilizando-se os recursos desenvolvidos. Em relao ao estudo dos trs tipos de neurnios piramidais, incluem-se as seguintes
possibilidades de pesquisas complementares:
1. Maior nmero de neurnios e condies de fronteira diferentes, como toroidais;
2. Estudo de outras dinmicas, como epidemias e sincronizao;
3. Verificar efeitos de outros aspectos das redes simuladas nas correlaes, como conexes
de longo alcance;
4 Considerao das ramificaes axonais.
So bastante amplas as perspectivas do uso do arcabouo tambm em outras pesquisas,
incluindo:
1. Investigar outros tipos de neurnios, inclusive de outras espcies e regies;
2. Modelar outras estruturas do sistema nervoso, como ncleos, hipocampo, etc.;
3. Considerar o estado de ativao nas conexes, por exemplo atravs da regra do rico
fica mais rico;
4. Utilizar neurnios sintticos que possam desenvolver seus ramos ao longo das pocas.
102
4 Concluses
103
REFERNCIAS
1 CAJAL, S. Recollections of my life. Massachussets: MIT Press, 1989.
2 DE FELIPE, J. Sesquicentenary of the birthday of Santiago Ramn y Cajal, the father of
modern neuroscience. Trends in Neurosciences, v. 25, n. 9, p. 481484, 2002.
3 COSTA, L.; MANOEL, E. A percolation approach to neural morphometry and connectivity.
Neuroinformatics, v. 1, n. 1, p. 6580, 2003.
4 PEREZ-RECHE, F.; TARASKIN, S.; COSTA, L.; NERI, F.; GILLICAN, C. Complexity
and anysotropy in host morphology make populations less susceptible to epidemic outbreaks.
Journal of the Royal Society Interface, v. 7, n. 48, p. 10831092, 2010.
5 LUNDY-EKMAN, L. Neuroscience: fundamentals for rehabilitation. 3rd. ed. St. Louis:
Saunders/Elsevier, 2007.
6 DOWLING, J. Neurons and networks: an introduction to neuroscience. Harvard: Harvard
University Press, 1992.
7 KANDEL, E.; SCHWARTZ, J.; JESSELL, T.; SIEGELBAUM, S.; HUDSPETH, A. Principles of neural science. 5th. ed. New York: McGraw-Hill Education, 2012.
8 HALL, J. Guyton and Hall textbook of medical physiology: enhanced e-book. Philadelphia:
Elsevier/Saunders, 2010.
9 LENT, R. Cem bilhes de neurnios. So Paulo: Atheneu, 2001.
10 GERSTNER, W.; KISTLER, W. M. Spiking neuron models. Cambridge: Cambridge
11 SCHMOLESKY, M.
The primary visual cortex, Jan 2013.
Disponvel em:
<http://webvision.med.utah.edu/book/part-ix-psychophysics-of-vision/the-primary-visualcortex/>. Acesso em: 2 jan. 2013.
12 PURVES, D. Body and brain: a trophic theory of neural connections. Cambridge: Harvard
13 COELHO, R. C. Sntese,modelagem e simulao de estruturas neurais morfologicamente
realsticas. 1998. 261 p. Tese (Doutorado em Fsica) - Instituto de Fsica de So Carlos Universidade de So Paulo, So Carlos, 1998.
104
REFERNCIAS
14 CANNON, R.; TURNER, D.; PYAPALI, G.; WHEAL, H. An on-line archive of reconstructed hippocampal neurons. Journal of Neuroscience Methods, v. 84, n. 1-2, p. 4954,
1998.
15 MINGOTI, S. A. Anlise de dados atravs de mtodos de estatstica multivariada: uma
abordagem aplicada. Belo Horizonte: Editora UFMG, 2007.
16 BARABSI, A. L.; FRANGOS, J. Linked: the new science of networks. Cambridge:
Perseus, 2002.
17 NEWMAN, M. E. J. Networks: an introduction. Oxford: Oxford University Press, 2010.
18 COSTA, L.; Oliveira Junior, O. N.; TRAVIESO, G.; RODRIGUES, F. A.; BOAS, P. R.;
ANTIQUEIRA, L.; VIANA, M. P.; ROCHA, L. E. C. Analyzing and modeling real-world
phenomena with complex networks: A survey of applications. Advances in Physics, London,
v. 60, n. 3, p. 329412, 2011.
19 GALVO, V. M. Um modelo para neuplasia utilizando redes complexas. 2006. 106 p.
Dissertao (Mestrado em Cincias) - Universidade Federal da Bahia, Salvador, 2006.
20 MONTEIRO, L. H. A. Sistemas dinmicos complexos. So Paulo: Livraria da Fsica,
2010.
21 BONDY, J. A.; MURTY, U. S. Graph theory with applications. London: Macmillan, 1979.
22 GARLASCHELLI, D.; LOFREDO, M. I. Patterns of link reciprocity in directed networks.
Physical Reviews Letters, v. 93, p. 268701, 2004.
23 ERDS, P.; RNYI, A. On the evolution of random graphs. p. 1761, 1960. Disponvel
em: <http://www.renyi.hu/p_erdos/1961-15.pdf>. Acesso em: 15 jan. 2013.
24 STAUFFER, D.; AHARONY, A. Introduction to percolation theory. Boca Raton: CRC
Press, 1994.
25 MILGRAM, S. The small world problem. Psychology Today, v. 2, n. 1, p. 6067, 1967.
26 WATTS, D. Six degrees: the science of a connected age. New York: Norton, 2004.
27 BARABSI, A.; BONABEAU, E. Scale-free networks. Scientific American, v. 288, p.
5059, 2003.
28 MORENO, Y.; PASTOR-SATORRAS, R.; VESPIGNANI, A. Epidemic outbreaks in complex heterogeneous networks. The European Physical Journal B - Condensed Matter and
Complex Systems, v. 26, n. 4, p. 521529, 2002.
REFERNCIAS
105
29 BARTHLEMY, M. Spatial networks. Physics Reports, v. 499, n. 1-3, p. 1101, 2011.

30 AHNERT, S. E.; TRAVENOLO, B. A.; COSTA, L. F. Connectivity and dynamics of
neuronal networks as defined by the shape of individual neurons. New Journal of Physics, v.
11, n. 10, p. 120, 2009.
31 GMEZ-GAVIRO, M. V.; SCOTT, C. E.; K., S. A.; MATHEU, A.; BOOTH,
S.; GALICHET, C.; LOVELL-BADGE, R.
Betacellulin promotes cell proliferation
in the neural stem cell niche and stimulates neurogenesis, 2012. Disponvel em:<
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3268286/pdf/pnas.201016199.pdf>. Acesso
em: 10 abril 2013.
32 COSTA, L. Avalanches of activation and apikes in neuronal complex networks. 2008.
Disponvel em: <http://arxiv.org/pdf/0802.0421v1.pdf>. Acesso em: 10 maio 2013.
33 FUNABASHI, Y.; KAWAMURA, K.; ICHI OSHIO, K.; MORITA, S.; OSANA, Y.;
AKIYAMA, E.; OKA, K. Native response of c.elegans encoded in its neuron network. v.
70, p. 11641171, 2001.
34 TOM, T.; OLIVEIRA, M. J. D. Dinmica estocstica e irreversibilidade. So Paulo: ,
2001.
35 HANDFORD, T. P.; PEREZ-RECHE, F. J.; TARASKIN, S. N.; COSTA, L. D. F.; MIAZAKI, M.; NERI, F. M.; GILLIGAN, C. A. Epidemics in networks of spatially correlated
three-dimensional root-branching structures. Journal of The Royal Society Interface, v. 8, n.
56, p. 423434, 2011.
36 COMIN, C.; BUNORO, J.; VIANA, M.; COSTA, L. Unveiling the relationship between
structure and synamics in complex networks. ArXiv e-prints, set 2011.
37 COMIN, C. H.; BATISTA, J.; VIANA, M. P.; COSTA, L.; TRAVENOLO, B.; KAISER,
M. Structure and dynamics: the transition from nonequilibrium to equilibrium in integrateand-fire dynamics. International Journal of Bifurcation and Chaos, v. 22, n. 07, p. 1250174,
2012.
38 HODGKIN, A.; HUXLEY, A. A quantitative description of membrane current and its
application to conduction and excitation in nerve. The Journal of Physiology, v. 117, n. 4, p.
500544, 1952.
39 ROSE, R. M.; HINDMARSH, J. L. The assembly of ionic currents in a thalamic neuron.
ithe three-dimensional model. v. 237, n. 1288, p. 267288, 1989.
40 IZHIKEVICH, E. M. Which model to use for cortical spiking neurons? IEEE Transactions
on In Neural Networks, v. 15, n. 5, p. 10631070, 2004.
106
REFERNCIAS
41 COSTA, L. Comunities in neuronal complex networks revealed by activation patterns.

2008. Disponvel em: <http://arxiv.org/pdf/0801.4684v1.pdf>. Acesso em: 30 abr. 2013.
42 COMIN, C. H.; VIANA, M. P.; COSTA, L. The relationship between structure and function
in locally observed complex networks. New Journal of Physics, v. 15, n. 1, p. 013048, 2013.
43 COSTA, L.; CSAR JNIOR, R. Shape analysis and classification: theory and practice.
2007.
44 CONSIGLIO, R.; BAKER, D. R.; PAUL, G.; STANLEY, H. E. Continuum percolation
thresholds for mixtures of spheres of different sizes. Physica A: Statistical Mechanics and its
Applications, v. 319, p. 4955, 2003.
45 DUDA, R.; HART, P.; STORK, D. Pattern classification. New York: Wiley-Interscience,
2001.

OsvaldoVargasJaques DO Corrigida

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

OsvaldoVargasJaques DO Corrigida

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade de So Paulo

Instituto de Fsica de So Carlos

Osvaldo Vargas Jaques

Evoluo do relacionamento entre dinmica

Osvaldo Vargas Jaques

Evoluo do relacionamento entre dinmica

Tese apresentada ao Programa de PsGraduao em Fsica do Instituto de Fsica de

AUTORIZO A REPRODUO E DIVULGAO TOTAL OU PARCIAL DESTE

Ficha catalogrfica elaborada pelo Servio de Biblioteca e Informao do IFSC,

Tese apresentada ao Programa de Ps-Graduao em Fsica do Instituto de Fsica de So

Aqui h drages, escreviam os antigos cartgrafos, demarcando

JAQUES, Osvaldo V. Evoluo do relacionamento entre dinmica e topologia: uma

Esta tese aborda o interrelacionamento entre morfologia, topologia e dinmica de ativao

Palavras-chave: Redes complexas. Redes neuronais. Relacionamento entre dinmica e

Keywords: Complex networks. Neuronal networks. Relashionship between dynamics and

2.3 - Potencial de ao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.9 - Descrio do soma em swc. . . . . . . . . . . . . . . . . . . . . . . . 37

2.22 - Histograma dos graus de uma rede ER. . . . . . . . . . . . . . . . . . 53

2.24 - Redes WS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

3.12 - Medidas de topologia e dinmica para redes de neurnios do crtex de

3.22 - Anlise de componentes principais tomando-se medidas o nmero de

2.1 - Definio pontos na notao swc. . . . . . . . . . . . . . . . . . . . . 36

2.1 Princpios de Neurocincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Partes da clula neural . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Tipos de clulas neuronais . . . . . . . . . . . . . . . . . . . . . . . . 31

Formato do corpo celular . . . . . . . . . . . . . . . . . . . 31

Tamanho ou ausncia de axnios . . . . . . . . . . . . . . . 34

2.2 Forma e funo neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

Notao de traado swc . . . . . . . . . . . . . . . . . . . . . . . . . 35

Medidas de morfologia neuronal . . . . . . . . . . . . . . . . . . . . . 38

2.4 Anlise de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Redes pequeno mundo . . . . . . . . . . . . . . . . . . . . . 55

Redes livres de escala . . . . . . . . . . . . . . . . . . . . . 56

Redes espaciais ou geogrficas . . . . . . . . . . . . . . . . 58

2.6 Crescimento e percolao de redes morfolgicas artificiais e reais . . . . . . . . 61

Modelo integra e dispara . . . . . . . . . . . . . . . . . . . . . . . . . 66

Medidas de dinmica do integra e dispara . . . . . . . . . . . . . . . . 69

Estrutura e dinmica em redes morfolgicas: trabalho relacionados . . 70

sistema. Desnecessrio dizer que estruturas ramificadas desempenham um importante papel

Partes da clula neural

Figura 2.1 Estrutura de um neurnio. Fonte: Wikimedia Commons.

Na superfcie do soma e na superfcie dos dendritos encontra-se uma grande quantidade

2.1 Princpios de Neurocincia

entrar novamente em equilbrio potencial. A fig. 2.3 mostra um grfico representando a

Figura 2.3 Potencial de ao. Fonte: Repositrio Wikimedia Commons.

Em um circuito eltrico a membrana plasmtica funciona como um capacitor que vai

2.1 Princpios de Neurocincia

Tipos de clulas neuronais

Os neurnios podem ser classificados por diversos fatores como:

Formato do corpo celular

O crtex, do latim casca, dividido em camadas sendo as primeiras camadas as mais

Figura 2.5 Clulas de Purkinje.Fonte:Repositrio Wikimedia Commons.

2.1 Princpios de Neurocincia

Quanto funo, temos os neurnios motores, interneurnios e sensitivos. Os neurnios

e retransmiti-los at o sistema nervoso central.

Tamanho ou ausncia de axnios

Forma e funo neuronal

Quanto a variao morfolgica, alguns neurnios podem possuir arborescncias axonais

A base neuromorpho e medidas de morfologia de

O repositrio neuromorpho.org a maior base de neurnios digitalizados e disponveis

2.3 A base neuromorpho e medidas de morfologia de neurnios

Figura 2.7 Base neuromorpho. Nmero de clulas reconstrudas.

Notao de traado swc

x, y, z: eixos das coordenadas no espao tridimensional;