Análisis de la neurogénesis cortical en el desarrollo cerebral de ratones carentes del receptor de ácido lisofosfatídico LPA1

El ácido lisofosfatídico (LPA) es un fosfolípido sencillo con propiedades de señalización extracelular mediadas por receptores de membrana específicos acoplados a proteínas G. Actualmente se conocen hasta 6 tipos de receptores diferentes para el LPA. El receptor LPA1 se expresa en la zona neurogénica del cerebro en desarrollo, en la zona ventricular (VZ), lo que sugiere su implicación en la neurogénesis. A pesar de los numerosos estudios farmacológicos que han aportado datos de los efectos del LPA en el sistema nervioso central (SNC) utilizando modelos in vitro, no es sino hasta que se dispuso de animales carentes del receptor, cuando se avanzó en el estudio de la función específica del receptor. Los primeros ratones obtenidos que permitían el estudio de pérdida de función del receptor LPA1 mostraron una alta mortalidad perinatal pero abrían una puerta excelente a nuevos estudios de caracterización del SNC en ausencia de vías específicas de señalización por LPA. En el presente trabajo se muestran resultados que demuestran una función destacada del receptor LPA1 en los precursores neuronales corticales durante el desarrollo cerebral, resultantes del análisis de la neurogénesis en una variante, que hemos venido a denominar Málaga, de un ratón nulo para-LPA1. Esta variante surge de forma espontánea durante la expansión de la colonia original y porta un fenotipo con defectos observables en el SNC, a la vez que muestra una viabilidad perinatal casi completa, lo que ha permitido su caracterización. Nuestros resultados muestran alteraciones significativas en la neurogénesis cortical embrionaria, en el patrón proliferativo de la zona ventricular, afectando al tipo de división y la posterior diferenciación, con expresión de marcadores neuronales de forma prematura en la capa cortical y alteración de la expresión de factores de transcripción. Estos defectos de la neurogénesis en ausencia de la vía de señalización por LPA1 se asocian con defectos en el patrón migratorio neuronal, indicativos de alteraciones de tipo estructural y funcional, y que generan, en última instancia, una reducción del grosor de la pared cortical y del número de neuronas en diferentes capas corticales, especialmente las profundas donde se detecta, además, un nivel inusualmente mayor de apoptosis. Los resultados que mostramos en esta memoria reflejan, con ello, la necesidad del receptor LPA1 para el desarrollo normal cerebral y acentúan el importante papel que el modelo de animal nulo para LPA1 de la variedad Málaga ha representado para el estudio de la señalización mediada por este receptor. A la fecha actual, el uso de este ratón ha permitido un avance muy significativo en el campo y sigue siendo objeto de estudio por nuestro grupo de investigación y por diferentes colaboradores a nivel nacional e internacional.

Clasificación lineal mediante algoritmo de perceptrón difuso

La clasificación es una de las herramientas necesarias para llevar a cabo un buen reconocimiento de patrones,las redes de neuronas artificiales (RNA), como una sección del área de Inteligencia Artificial (IA), dispone del perceptrón que es un método simple y eficiente para aprender a través de ejemplos a realizar clasificaciones lineales.

Optimal control of non-linear systems through hybrid cell-mapping/artificial-neural-networks techniques

In this paper, a real-time optimal control technique for non-linear plants is proposed. The control system makes use of the cell-mapping (CM) techniques, widely used for the global analysis of highly non-linear systems. The CM framework is employed for designing approximate optimal controllers via a control variable discretization. Furthermore, CM-based designs can be improved by the use of supervised feedforward artificial neural networks (ANNs), which have proved to be universal and efficient tools for function approximation, providing also very fast responses. The quantitative nature of the approximate CM solutions fits very well with ANNs characteristics. Here, we propose several control architectures which combine, in a different manner, supervised neural networks and CM control algorithms. On the one hand, different CM control laws computed for various target objectives can be employed for training a neural network, explicitly including the target information in the input vectors. This way, tracking problems, in addition to regulation ones, can be addressed in a fast and unified manner, obtaining smooth, averaged and global feedback control laws. On the other hand, adjoining CM and ANNs are also combined into a hybrid architecture to address problems where accuracy and real-time response are critical. Finally, some optimal control problems are solved with the proposed CM, neural and hybrid techniques, illustrating their good performance.