Экспериментальное исследование и математическое моделирование длительной следовой деполяризации миелинизированных нервных волокон

• Автор: Глухова, Наталья Владимировна
• Шифр специальности: 03.00.13
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Ульяновск
• Количество страниц: 159 с. : ил.

СОДЕРЖАНИЕ

Г лава 1. Обзор литературы.

1.1. Математические модели нервного импульса.

1.1.1. Значение и классификация моделей.

1.1.2. Математическая модель нервного импульса ХоджкинаХаксли

1.1.3. Математические модели нервного импульса миелинизированных нервных волокон

1.1.4. Дополнения к математической модели

1.2. Следовая деполяризация нервных волокон

1.2.1. Следовая деполяризация целого нерва и безмякотных аксонов

1.2.2. Следовая деполяризация миелинизированных нервных волокон

Глава 2. Объект и методы исследования

2.1. Методика экспериментального исследования длительной следовой деполяризации одиночных нервных волокон
2.2. Система уравнений математической модели и методы их решения
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ
Глава 3. Экспериментальное исследование следовой деполяризации
3.1 Следовая деполяризация одиночных нервных волокон, находящихся в нормальном растворе Рингера
3.2. Следовая деполяризация одиночных нервных волокон, находящихся в
бескалиевом растворе.
Глава 4. Математическое моделирование длительной следовой деполяризации .
4.1. Модель ФранкенхаузераХаксли модель потенциала действия одиночных нервных волокон с открытым перехватом Ранвье.
4.2. Расчт количества ионов калия, выходящих из нервного волокна во время потенциала действия
4.3. Математическое моделирование примембранного пространства перехвата Ранвье.
4.4. Моделирование изменений тока утечки при аккумуляции ионов калия в
примембранном пространстве.
Г лава 5. Исследование природы длительной следовой деполяризации на математической модели.
5.1. Моделирование следовой деполяризации при различных параметрах примембранного пространства перехвата Ранвье миелинизированных нервных волокон
5.2. Моделирование следовых потенциалов, регистрируемых у волокон с закрытым перехватом Ранвье в бескалиевом растворе.
5.3. Моделирование влияния изменений натриевой проводимости на следовую деполяризацию миелинизированных нервных волокон.
5.4. Моделирование продолжительной следовой деполяризации при изменении уровня мембранного потенциала
ЗАКЛЮЧЕНИЕ.
ВЫВОДЫ.
СПИСОК ЛИТЕРАТУРЫ


Кроме того, деполяризационное смещение мембранного потенциала, с одной стороны, способствует активации натриевых каналов, а с другой стороны та же деполяризация вызывает развитие натриевой инактивации, то есть переход натриевых каналов в непроводящее состояние. И это далеко не единственные примеры. Без точного знания количественных соотношений между этими процессами совершенно невозможно достичь понимания явлений, развртывающихся на мембране. Как подчркивали авторы одной из наиболее известных математических моделей Б. Франкенхаузер и А. Ф. Хаксли В. x . Модели помогают выявить взаимосвязи переменных, характер их изменения во времени, найти существующие закономерности, вскрыть наиболее важные причинноследственные связи. Модели, если они достаточно хорошо апробированы, могут быть использованы для прогнозирования результатов экспериментов, для нахождения оптимальных соотношений параметров, например при лечении заболеваний, связанных с нарушением проведения импульсов, подобрать оптимальные дозы лекарственных веществ. Модель может служить прекрасным наглядным пособием в процессе обучения. В современных теориях моделирования под моделью понимают любой другой объект, отдельные свойства которого частично или полностью совпадают со свойствами исходного Бенькович Е. С., Колесов Ю. Б., Сениченков Ю. Б., . Принято различать предметное и абстрактное моделирование. К предметному моделированию относят макетирование, при котором объекту ставится в соответствие его увеличенная или уменьшенная копия, созданная на основе теории подобия и сохраняющая требуемые свойства такой тип моделей практически не используется в биологии в связи с исключительной сложностью орг анизации живой материи, и аналоговое моделирование. Аналоговое моделирование основано на замене исходного объекта объектом другой физической природы, обладающим аналогичным поведением Бенькович Е. С., Колесов Ю. Б., Сениченков Ю. Б., . Аналог овые модели широко распространены в электрофизиологических исследованиях. На ранних этапах создавались гидравлические, термодинамические, электрические и химические модели Пеганов Э. М., . В настоящее время наибольшее распространение получили аналоговые электрические модели нервных волокон . ., . ., i . ., . . Р. К., . В данных моделях нервное волокно заменено электрической схемой, составленной из определенным образом подобранных мкостей и сопротивлений. Однако, такие модели имеют лишь ограниченную область применения годятся для изучения лишь чисто пассивных свойств мембран и очень сложны для воспроизведения и использования. В настоящей работе мы имеем дело исключительно с абстрактным моделированием, а именно важнейшей его разновидностью компьютерным математическим моделированием. Абстраг ируясь от физической природы объектов, математика изучает идеальные абстрактные объекты, характеризуя их при помощи различных количественных взаимоотношений формул, уравнений, довольно часто интегральных или дифференциальных. В работе Е. С. Беньковича и др. Компьютерная модель это программная реализация математической модели, дополненная различными служебными программами компьютерная модель проявляет свойства физической модели, когда она, а точнее е абстрактные составляющие программы интерпретируются физическим устройством, компьютером. В работе . . Смарского, А. П. Михайлова совокупность компьютера и моделирующей программы называется электронным эквивалентом изучаемого объекта. Этот вид моделей сочетающий в себе абстрактные и физические черты, обладает уникальным набором полезных свойств, главным из которых является простота создания и модификации модели. Изменяется только программа мягкая составляющая модели, в то время как аппаратура компьютера жсткая составляющая остатся неизменной. Добавьте к этому практически неограниченную функциональную сложность моделей и высокую точность получаемых результатов, и вы поймте, почему в настоящее время под моделированием почти всегда понимают компьютерное моделирование Смарский . ., Михайлов . II.