La capacidad, eficiencia y velocidad de procesamiento de la información que tiene el cerebro supera la de cualquier otro objeto conocido. Entender cómo la evolución de su estructura global, y la coordinación de todos sus componentes sustentan esta capacidad de procesamiento es uno de los grandes desafíos de la neurociencia. La maquinaria subyacente a estos procesos abarca desde mecanismos moleculares, hasta la coordinación de la actividad dentro de una misma región o varias regiones, pasando por la integración de señales a nivel dendrítico y somático o el aprendizaje mediante la actualización de conexiones en función de la demanda cognitiva presente. La búsqueda de la respuesta no se haya tan solo en uno de estos niveles, sino en el estudio y la comprensión de esta interacción jerárquica. El objetivo de esta tesis doctoral es desarrollar diferentes estrategias computacionales para comprender y proponer mecanismos específicos por los que los circuitos neuronales procesan información, abarcando varios de los diferentes niveles en los que se ejecuta este procesamiento. En particular, comprender qué propiedades intrínsecas o morfológicas de las neuronas, así como circuitales y sinápticas, determinan las preferencias de activación, tanto en condiciones basales como de aprendizaje. Asimismo, se persigue entender cómo las señales electrofisiológicas poblacionales, como son los ritmos cerebrales, pueden relacionarse con la actividad neuronal subyacente para articular mecanismos eficientes de representación.. Para abordar estos objetivos, utilizamos un amplio espectro de métodos computacionales, incluyendo tanto análisis de datos clásico como metodologías que no se basen en hipótesis predeterminadas. Uno de los métodos es la simulación de la actividad neuronal, que comprende tanto modelos abstractos y simples, como los multicompartimentales y realistas. En este caso, el enfoque libre de hipótesis se reflejó en la forma en que se eligieron los hiperparámetros: usamos un algoritmo evolutivo para establecer una combinación de propiedades sinápticas e intrínsecas que permitieron identificar un rango para el comportamiento realista. Esta estrategia nos permitió analizar en detalle la relación entre las propiedades neuronales particulares, su interacción y la activación del resultado. El estudio de los ritmos cerebrales sin ningún conocimiento a priori se logró mediante el uso de técnicas de aprendizaje profundo, en particular, redes neuronales convolucionales (CNN). Construimos una CNN capaz de detectar un evento de ritmo cerebral particular relacionado con la consolidación de la memoria, conocido como el evento sharp-wave ripple. Este detector nos permitió revelar características latentes más allá del dominio espectral clásico, identificando nuevos mecanismos de coordinación de poblaciones neuronales. Todas estas metodologías nos llevaron a un conjunto de resultados que abarcan diferentes niveles de computación de circuitos neuronales. Descubrimos que la inhibición perisomática proporcionada por poblaciones complementarias de células en cesto interactúa con las vías de entrada para dar forma a la especificidad de bloqueo de fase de las células piramidales profundas y superficiales. También mostramos cómo la inhibición es la entrada principal que impulsa la dinámica del subumbral piramidal y que, de hecho, la generación del campo de lugar ocurre a través de un proceso de desinhibición.

Tesis Doctoral inédita leída en la Universidad Autónoma de Madrid, Escuela Politécnica Superior, Departamento de Ingeniería Informática.