Wormbrain

Wormbrain es un libreria que ofrece herramientas para trabajar con datos de actividad neuronal.

Este repositorio es un fork del repositorio ya existente de Miguel Aguilera: https://github.com/MiguelAguilera/wormbrain

Caracteristicas:

• Discretizacion de la actividad neuronal.
• Inferencia de modelos de Ising y funciones para comprobar su fiabilidad.
• Metricas relacionadas con el estudio de la entropia.
• Reconstruccion aproximada de la red neuronal original.
• Dibujo de grafos en plotly.
• Herramientas para el estudio de la criticidad de la muestra/modelo.
• Herramientas para facilitar la visualización y carga/guardado de muestras y resultados.
• Clasificador para asociar actividad neuronal con comportamientos/estados determinados.

Instalacion

Wormbrain requiere de Python 3.X para funcionar. Wormbrain requiere de los siguientes paquetes para funcionar:

• Matplotlib
• Networkx
• Plotly
• Sklearn
• Numba
• Numpy
• Numexpr

Ademas, se necesita del siguiente repositorio de Miguel Aguilera: https://github.com/MiguelAguilera/Python-Entropy-Tools En caso de utilizar el fichero setup.py para instalar Wormbrain, hay que introducir los ficheros contenidos en este repositorio en la carpeta raiz de Wormbrain.

Estructura

Los principales ficheros son:

• analyze_model: contiene todas las funciones de análisis del modelo, ya sea para buscar el punto critico, o posibles conexiones de la red neuronal original de partir de los datos. Si se ejecuta, carga un modelo de Ising ya guardado y calcula el punto critico del sistema en comparacion con la muestra con la que fue calculado.
• kinetic_ising: contiene todas las funciones para crear y entrenar un modelo Ising cinetico a partir de un conjunto de datos, asi como generar muestras a partir de el.
• entropy_metrics: contiene funciones para realizar medidas de entropia y otras relacionadas con la misma, como la capacidad calorifica del modelo.
• ising_recovery: contiene funciones para guardar y cargar de ficheros modelos, muestras y resultados.
• math_utils: contiene funciones para aproximar datos reales bien a una función sigmoidal, bien a una distribución de Zipf, además de para facilitar la visualización de datos.
• red_clasificador: contiene las funciones para crear y entrenar una red neuronal con Keras como clasificador.
• worm: contiene funciones de QQL para trabajar con el set de datos de activacionn neuronal del gusano C.elegans.