Equipo investigador
Neurociencia computacional
La neurociencia computacional es un campo interdisciplinario que emplea modelos matemáticos y análisis teóricos para comprender los principios que rigen la fisiología, la estructura y el desarrollo del sistema nervioso y las habilidades cognitivas relacionadas.
En concreto, en el laboratorio realizamos simulaciones de redes cerebrales basadas en datos reales, orientadas a:
1) comprender los mecanismos que subyacen a la progresión de las enfermedades neurodegenerativas a través del estudio y la reproducción de los patrones típicos de conectividad funcional y su disrupción;
2) diseñar y probar protocolos personalizados de estimulación eléctrica no invasiva (por ejemplo, tACS), centrados en la modulación de la actividad oscilatoria y la sincronización entre áreas cerebrales específicas.
Por último, algunos de nuestros trabajos se centran en la aplicación de técnicas de procesamiento inspiradas en el funcionamiento del cerebro para abordar problemas de ingeniería.
El laboratorio ha desarrollado un simulador de redes neuronales disponible públicamente, FNS: https://www.fnsneuralsimulator.org/
Publicaciones seleccionadas
- E. Javed, I. Suárez-Mández, G. Susi, J. Verdejo Román, J.M. Palva, F. Maestú, and S. Palva. A shift towards super-critical brain dynamics predicts Alzheimer’s disease progression. The Journal of Neuroscience, 45 (9), 2025. https://dx.doi.org/10.1523/jneurosci.0688-24.202
- J. Cabrera-Álvarez, N.Doorn, F.Maestú, & G.Susi. Modeling the role of the thalamus in resting-state functional connectivity: Nature or structure. PLoS computational biology, 19(8), 2023. https://doi.org/10.1371/journal.pcbi.1011007
- J. Cabrera-Álvarez, L. Stefanovski, L. Martin, G. Susi, F. Maestú, and P. Ritter. A multiscale closed-loop neurotoxicity model of Alzheimer’s disease progression explains functional connectivity alterations. eNeuro, 11(4), 2024. https://doi.org/10.1523/ENEURO.0345-23.2023
- G. Susi, P. Garcés, E.Paracone, A.Cristini, M.Salerno, F.Maestú, E.Pereda. FNS allows efficient event-driven spiking neural network simulations based on a neuron model supporting spike latency. Sci Rep. 2021 Jun; 11(1):12160. https://doi.org/10.1038/s41598-021-91513-8.
- G. Capizzi, G.Lo Sciuto, C.Napoli, M.Wozniak, G.Susi. A spiking neural network-based long-term prediction system for biogas production. Neural Networks (129), 2020. https://doi.org/10.1016/j.neunet.2020.06.001.
