Escolar Documentos
Profissional Documentos
Cultura Documentos
So Carlos, SP
2013
Verso Corrigida
(verso original disponvel na Unidade que aloja o Programa)
So Carlos, SP
2013
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.
RESUMO
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.
LISTA DE FIGURAS
1.1 - Principais temas abordados na tese. . . . . . . . . . . . . . . . . . . . 26
2.1 - Estrutura de um neurnio. . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 - Sinapse.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
. . . . . . . . . . . . . . . . . . . . . . . . 36
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
. . . . . . . . . . . . . . . 95
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
SUMRIO
1 Introduo
25
2 Reviso
27
2.1.2
Potencial de ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.3
Nmero de ramificaes . . . . . . . . . . . . . . . . . . . . 31
2.1.3.2
2.1.3.3
Funo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.3.4
. . . . . . . . . . 34
2.3.1
2.3.2
Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5.2
Modelos de Redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5.2.1
Redes aleatrias . . . . . . . . . . . . . . . . . . . . . . . . 53
2.5.2.2
2.5.2.3
2.5.2.4
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
2.7.2
2.7.3
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
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
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).
2.1.2
Potencial de ao
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
Figura 2.2 Sinapse. Um terminal axnico libera substncias excitatrias ou inibitrias na fenda
sinptica que capturado pelo terminal axnico. Fonte: Repositrio Wikimedia Commons.
2.1.3
31
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
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.
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
2 Reviso
34
2.1.3.4
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
2.3
35
ser consultada por tipo de neurnio, regio, espcie ou tambm por certas caractersticas
desejadas (metadados).
2.3.1
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
Tipo
Descrio
0
Indefinido
1
Soma
2
Axnio
3
Dendrito Basal
4
Dendrito Apical
37
2 Reviso
38
era comum
2.3.2
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
39
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.
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
41
Anlise de dados
xi1
xi2
..
.
xin
(15).
1X
xik
i =
n k=1
(2.4.1)
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)
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
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.
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
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)
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)
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)
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
2 Reviso
46
(a) Grafo G
(b) Subgrafo de G
47
(a)
(b)
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.
2 Reviso
48
(a)
(b)
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.
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
kX
max
P (k)log2 P (k),
(2.5.6)
k=kmin
2 Reviso
50
Nij =
n
X
(2.5.7)
k=1
(2.5.8)
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)
Ra = min{iV i },
(2.5.10)
(2.5.11)
cov(Ai , Aj )
sendo ki > 1 ,
i j
(2.5.12)
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)
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
se i = j
ki ,
Lij =
1, se i 6= j e j incide em i
(2.5.17)
(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)
Modelos de Redes
2.5.2.1
53
Redes aleatrias
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) =
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).
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.
55
2.5.2.2
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
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
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
t
j=1 kj
(2.5.21)
(a) Rede
(b) Histograma
(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
2.5.2.4
2.5.2.5
Redes Biolgicas
59
(a) Rede.
Figura 2.27 Rede Waxman distribuda num retngulo 20x20, com 80 vrtices, = 0.8 e L = 11.
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
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
2.5.2.5.3
Redes metablicas
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.
2.5.2.6
61
Redes de Informao
2.5.2.7
Outras redes
2.6
2 Reviso
62
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.
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.
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
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
(2)
(N )
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
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
(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
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
..
.
(2.7.4)
PTmax
Sti ;
t=0
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
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
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
3 Desenvolvimentos e Resultados
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).
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
3 Desenvolvimentos e Resultados
76
3.1 Metodologia
E = 200
77
E = 300
E = 400
E = 500
Evoluo da rede.
(a)
Grau mdio
(c)
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.
3 Desenvolvimentos e Resultados
78
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
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
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
3 Desenvolvimentos e Resultados
81
82
3 Desenvolvimentos e Resultados
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.
3 Desenvolvimentos e Resultados
84
Figura 3.10 PCA para medidas das trs classes neuronais, occipital, pr-frontal e crtex de macaco.
3.4
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.
86
3 Desenvolvimentos e Resultados
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
3 Desenvolvimentos e Resultados
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
3.5
90
3 Desenvolvimentos e Resultados
Figura 3.15 Medidas de topologia e dinmica com raio de alcance do axnio igual a 10, de neurnios
do crtex do macaco.
3.5 Correlaes dinmica x topologia em relao ao crescimento das redes: mdias sobre redes
91
Figura 3.16 Medidas de topologia e dinmica com raio maior de neurnios occipital humano.
92
3 Desenvolvimentos e Resultados
Figura 3.17 Medidas de topologia e dinmica com raio maior de neurnios pr-frontal humano.
3.5 Correlaes dinmica x topologia em relao ao crescimento das redes: mdias sobre redes
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.
3 Desenvolvimentos e Resultados
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., )
3.5 Correlaes dinmica x topologia em relao ao crescimento das redes: mdias sobre redes
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.
3 Desenvolvimentos e Resultados
96
3.6
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
3 Desenvolvimentos e Resultados
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
4 Concluses
100
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
University Press, 2002.
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
University Press, 1998.
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
106
REFERNCIAS