La Liberacion De Hormonas

Est Regulada Por Seales

Neuronales Y Hormonales
Jerarquizadas
La liberacion de hormonas est regulada por seales neuronales y hormonales
jerarquizadas
Los niveles variables de hormonas especificas regulan procesos celulares especificos,
pero qu regula el nivel de cada hormona? Una respuesta breve es que el sistema
nervioso central recibe seales de muchos sensores internos y externos (seales de
peligro, hambre, ingesta alimenticia, composicin y presin de la sangre, por ejemplo) y
orquesta la produccin de seales hormonales apropiadas por parte de los tejidos
endocrinos, para una respuesta ms completa, es necesario considerar los sistemas de
produccin de hormonas del cuerpo humano y algunas de sus interacciones funcionales,
el sistema endocrino (SE) y el sistema nervioso (SN), intercatuan de manera dinamica
con el fin de mantener la constancia del medio interno del organismo.
Principios de control endocrino
Las glandulas endocrinas
Se encargan de secretar hormonas, no tiene conducto hacia el exterior y las hormonas
pasan directamente a la sangre. La mayoria de glandulas endocrinas trabajan bajo la
influencia de una glandula maestra, la pituitaria o hipfisis.
El hipotalamo se encuentra en la base del cerebro, detecta el nivel de hormonas en la
sangre, controla las funciones de la pituitaria o hipfisis y acta como el puente entre el
SN y SE recibe e integra mensajes procedentes del sistema nerviosos central. En
respuesta a estos mensajes, el hipotlamo produce varias hormonas reguladoras
(factores de liberacion) que pasan directamente a la cercana hipofisis a travs de vasos
sanguneos y neuronas especiales que conectan las dos glandulas
La hipfisis tiene dos partes funcionalmente distintas:
1) Hipfisis posterior o neurohipifisis.-contiene losextremos de los axones de muchas
neuronas que se originan en el hipotalamo. Estas neuronas producen los pequeos
pptidos con funcin hormonal como la vasopresina o antidiurtica (HAD) y oxitocina
que se desplazan por el axn hasta los extremos de terminales nerviosos en la hipfisis,
en donde son almacenados en granulos de secrecin, en espera de la seal para su
liberacin
La neurohipfisis almacena dos hormonas producidas por las celulas neurosecretoras
del hipotalamo:
a) Hormona antidiurtica (HAD), estimula la reabsorcin de agua por los tubulos
renales y de esta manera reduce el volumen de orina. Acta a nivel del tubulo

contorneado distal y tubulo colector. Si disminuye la ingesta de agua o se pierde agua

por sudor se incrementa la precion osmotic y sta es detectada por osmoreseptores en
el hipotalamo
b) Hormona oxitocina (OXCT), induce al parto por que estimula la contraccin del
tero
2) Hipfisis anterior o adhenohipfisis.- responde a las hormonas hipotalamicas
transportadas por la sangre produciendo hormonas trpicas o tropinas (del griego
tropos, que significa vuelta). Estos polipeptidos relativamente largos activan el
siguiente nivel de glandulas endocrinas en las que se le incluye la corteza suprarenal,
grandulas tiroideas, los ovarios y los testiculos, estas glandulas secretan sus hormonas
especificas, que se transportan a travs de la sangre hasta los receptores de celulas en los
tejidos diana, hormonas producidas ( somatotropina, tirotropina, adrenocorticotropina,
hormona foliculo estimulante, hormona luteinizante y la prolactina)
La Adhenohipfisis produce seis hormonas:
a) Hormona del crecimiento (SH) promueve el crecimiento del esqueleto y los musculos
controla la sintesis deproteinas
b) Homona estimulante de la tiroides (TSH) estimula la produccion de tiroxina port las
glandulas tiroides
c) Hormona adrenocorticotropina (ACTH) estimula la produccion de hormonas, por la
corteza adrenal (epecialmente glucocorticoides)
d) Hormona foliculo estimulante (FSH) estimula el desarrollo del foliculo ovarico y la
produccion de espermatozoides
e) Hormona luteinizante (LH) determina la ovulacin, la produccin de testosterona por
las celulas de leydig y de la progesterona por el cuerpo luteo
f) Prolactina (PRL) estimula la produccion de leche en la etapa final de la gestacin.

Hormonas
1) Regula la actividad de un organo determinado.
2) Son efectivas en pequeas cantidades.
3) Actan en organos especificos llamados organos blanco o diana.
Naturaleza qumica de las hormonas ms comunes
1) Polipptidos: oxcitocina, antidiurtica, insulina, y glucagn
2) Protenas: prolactina, FSH, LH, TSH, ACTH y SH
3) Aminas: derivados de (aa) adrenalina, noradrenalina y tiroxina
4) Esteroides: derivados de lpidos estrgenos, progesterona, testosterona, cortisona y
aldosterona.

Cascada jerarquica de las hormonas

Complejo hormona receptor (H-R)

El complejo hormona receptor induce la produccin de una sustancia llamada segundo
mensajero que tiene un efecto especfico dentro de la clula; por ejemplo la sntesis de
proteinas, la activacin de enzimas, etc. Otro mecanismo involucra receptores
intracelulares, cuando la hormona ingresa a la clula se forma el complejo H-R que
activa ciertos genes para sntesis de proteinas especificas (enzimas), las que modifican
la funcin de la clula.

neuronales
informacin, pero estructuras amorfas, prcticamente aleatorias, en las regiones
procesadoras de alto nivel como el neocrtex. Operando en paralelo los cerebros
dedican grandes cantidades de neuronas a una actividad determinada, lo cual da
por resultado actividades posibles muy diferentes y complejas. Pueden adaptarse
a circunstancias cambiantes, reconocer objetos deformados, borrosos, o
parcialmente visibles. En sntesis, las redes neuronales son esencialmente
diferentes de los sistemas de cmputo de la vida cotidiana.
Los distintos modelos de redes neuronales han planteado importantes e
interesantes retos a los fsicos tericos y a los matemticos, pues exhiben
conductas muy ricas y nada triviales. Se trata de sistemas sumamente complejos
de analizar por el gran nmero de elementos interactuantes, por el carcter no
lineal de los elementos individuales que operan en ellas, porque las interacciones
entre ellos no son idnticas ni simtricas y porque la magnitud de las interacciones,
as como los umbrales internos de cada neurona, pueden cambiar en el tiempo.

Desde el punto de vista biolgico el funcionamiento detallado de las neuronas es

extremadamente complicado, de hecho, gran cantidad de aspectos fisiolgicos y
qumicos de stas es an materia de investigacin cientfica, de modo que para
iniciar la bsqueda de un tratamiento formal de grupos de ellas se requiere
introducir un conjunto de hiptesis simplificadoras que nos llevan a diferenciar
entre una neurona biolgica y una neurona formal. Nuestro propsito ahora es
aclarar esta diferencia.
En los intentos por sistematizar la comprensin del cerebro pueden distinguirse
dos caminos:
1 Elprimero es el seguido por los neurofisilogos, quienes generalmente
confrontan una abundancia de datos tan vasta que dificulta el examen sistemtico
dentro de un marco de trabajo experimental. Los datos estn perturbados por una
cantidad muy grande de influencias que no pueden ser fcilmente eliminadas por
el experimentador.
2 El segundo es el que han abierto los constructores de modelos sobre la base de
un conjunto tambin grande de suposiciones acerca del sistema que se busca
explicar, con la esperanza de que el enfoque ayude al surgimiento de nuevas
hiptesis, susceptibles de ser verificadas con la diversidad de datos disponibles.
Dentro del segundo de los caminos antes mencionados hay dos opciones para los

creadores de modelos:
1. La primera opcin consiste en tratar de modelar al sistema real tanto como sea
posible. Sin embargo, suele suceder que se introducen tantos parmetros que en
realidad no se alcanza ningn entendimiento profundo; de donde se llega al
resultado paradjico de que, buscando tanta fidelidad al sistema real, resulta una
copia tan mala que la comprensin del fenmeno se desvanece.
2. El otro enfoque consiste en descartar, a priori, todos aquellos parmetros que a
primera vista parecen no ser esenciales, a fin de simplificar el anlisis matemtico.
Estos no constituyen representaciones realistas del cerebro, sino que su
inspiracin neuronal puede contribuir a comprender algunas de las propiedades
que los caracterizan en el procesamiento de informacin}.
La combinacin de estas dos ltimas opciones va acompaada y motivada por la
experiencia, la intuicin y el deseo de cuantificar el problema. La calidad del
enfoque puede respaldarse en los resultados obtenidos en aos recientes, que han
mostrado progresos en el proceso de incorporacin de ms detalles biolgicos a
los modelos analticamente solubles.
Sobre la base de las consideraciones anteriores, podemos enumerar las
simplificaciones ms importantes que nos llevan de la neurona biolgica a la
neurona formal:
No ponemos atencin a los detalles de las avalanchas de seales electroqumicas
que el cuerpo de la neurona enva a travs de su axn. Solamente atendemos la
existencia o la ausencia de una seal y le asignamos un "1" o un "0" a cada caso,
o equivalentemente "1" y "-1".
Dejamos de lado los aspectos qumicos del proceso de conversin con el cual una
sinpsis modifica las seales elctricas que recibe para liberar sobre la membrana
de la neurona los neurotransmisores que aumentan o disminuyen el potencial
elctrico de esta ltima. nicamente atendemos al carcter excitador o inhibidor de
la sinpsis y le asignamos un nmero real Jij que es positivo si la seal recibida
excita y negativo si inhibe al potencial de la neurona receptora. No consideramos
la distribucin espacial de las dendritas y las tomamos como si fueran cables
pasivos de transmisin.
El xito o el fracaso de cada sinpsis para retransmitir una seal lo consideramos
azaroso, con una cierta probabilidad, tal que asociamos variables aleatorias
independientes a cada dendrita.
Cada neurona tiene un umbral de respuesta al potencial elctrico de
su cuerpo principal, que al ser rebasado transmite una seal a travs del axn.
Nosotros lo consideramos como una variable aleatoria que se conduce conforme a
una distribucin gaussiana en torno a un promedio dado.
No consideramos diferencias de tiempo entre el envo y la recepcin de una seal,
y por ltimo, no diferenciamos grados distintos de respuesta de las neuronas,
solamente nos importa saber si lanza o no una seal.
Con base en las simplificaciones mencionadas, podemos establecer que una red
neuronal, en su forma ms general, es un sistema de neuronas o nodos, cada uno
de los cuales est asociado con un valor numrico real, que es el estado de la
neurona. Frecuentemente los valores son restringidos a +1 y -1, tal que cada nodo
es como un espn de Ising. Hay conexiones entre las neuronas, de modo que el

estado de una de ellas puede influir en el estado de otras. Cada neurona registra
entradas y les aplica una funcin, que generalmente es de la forma siguiente:
donde j=1,...,k numera las seales recibidas por la neurona i, sj son los estados de
las neuronas que enviaron su seal y Jij son los pesos de la interaccin de la isima neurona con las dems.
Dependiendo del tipo de red, los pesos son variables que sern modificadas
durante su evolucin, o por el contrario, sern magnitudes fijas como en el modelo
de Hopfield.
Las neuronas tienen, y las redes tambin, entradas y salidas, tales que las salidas
son calculadas en funcin de las entradas. As surge el concepto de regla de
aprendizaje, que consiste en la sistematizacin de la asociacin entre una
pregunta y una respuesta. Por lo general, la pregunta es un vector de mayor
dimensin que la respuesta . Un ejemplo tpico es el reconocimiento de voces o
sonidos, en los cules el vector de entrada es un espectro de frecuencias, que
tiene que ser transformado en una lista de palabras . Formalmente se escribe
donde es la regla de aprendizaje.
De lo anterior surgen varios propsitos distintos:
1 Conocida una regla, se busca construir una red que la reproduzca.
2 Disponiendo de pares de preguntas y respuestas, se trata de disear una red
que haga las asociaciones correctas. A esto se le llama aprendizaje supervisado.
3 Otro propsito esencialmente diferente es el almacenamiento de memorias, que
son las respuestas, para plantear preguntas, que son los estados iniciales, y dejar
que la red evolucione hacia un estado final buscando la respuesta almacenada
ms adecuada a la pregunta.
En sntesis: Las redes neuronales y su historia
Qu son?
Son sistemas de procesamiento de informacin desarrollados con base en el
conocimiento que tenemos de los cerebros biolgicos.
Se forman con unidades de procesamiento simples llamados nodos o neuronas.
Hay distintas formas de conectar a las neuronas entre si. A esta forma se les llama:
arquitectura de la computadora.
A cada conexin entre una neurona y otra se le asigna un peso.
Cada neurona tiene una funcin de activacin que suma las seales entrantes
pesadas. As, la neurona determina silanza su propia seal o no lo hace.
Los pesos son adaptados para que la neurona mejore su trabajo hasta reproducir
la tarea que se le ha pedido. A esto se le llama proceso de aprendizaje.
En el proceso de adaptacin de los pesos se utiliza una regla de aprendizaje.
La tarea asignada a la red neuronal se plantea como objetivo: 1 la reproduccin
inicial de patrones de entrenamiento, 2 una etapa de comprobacin del
aprendizaje de la red y 3 la etapa de aplicacin de la red a los trabajos especficos
para los cuales ha sido diseada.
Los primeros aos

1943

McCulloch y Pitts presentan la neurona formal.

1949
D. Hebb publica su regla de aprendizaje para neuronas.
1951
Minsky plantea su mquina neuronal.
1956
Rochester, Holland, entre otros, realizan pruebas sobre ensambles de clulas y su
accin en el cerebro.
1958
Von Neumann propone un modelo para el cerebro.
1958
Rosenblatt propone el perceptrn.
1960
Widrow y Hopf presentan el Adaline y el aprendizaje por ajuste de mnimos
cuadrados. Lo aplican a la eliminacin del eco en llamadas telefnicas y constituye
la primera aplicacin prctica de las redes neuronales.
1969
Minsky y Papert analizan el preceptrn y encuentran que tiene limitaciones lgicas
importantes.

Reflexin y estancamiento
1972
Kohonen presenta sus primeros trabajos sobre redes neuronales y memorias
asociativas.
1972
J. Anderson desarrolla la red neuronal llamada: estado cerebral en una caja.
1975
Fukushima, en los laboratorios NHK, en Tokio, desarrolla el cognitrn, una red
neuronal especializada en reconocimiento de
patrones. No logra reconocer caracteres distorsionados o rotados.
1976
Grossberg, en la Universidad de Boston, inicia sus trabajos sobre redes
neuronales artificiales. Se distingue por su carcter altamente matemtico y con
sentido biolgico.
1982
Kohonen presenta la red que ahora se llama mapeo autoorganizado (SOM por su
nombre en ingls).
La dcada de oro de las redes neuronales

1982-1985
J. Hopfield presenta la red de aprendizaje mediante la regla de Hebb. Utiliza
tcnicas de la Fsica Estadstica para demostrar que tiene propiedades de
memoria asociativa. Gran impacto en el mundo de los fsicos.
1984
Ackley, Hinton y Sejnoski desarrollan la mquina de Boltzmann. Una red neuronal

1985
Se establece el sistema de propagacin hacia atrs, que haba aparecido para ser
olvidado en diversas ocasiones.
1986
Surge el mapeo de Kohonen.
2000
El paralelismo, las redes neuronales y la inteligencia articial en general, convergen
en una teora del aprendizaje de desarrollo acelerado con aplicaciones muy
diversas.
Redes Neuronales
Para empezar a hablar acerca de redes neuronales, primero debemos tener en
cuenta dos conceptos, cual es la definicin de una red neuronal y cuales son los
tipos de redes neuronales que hasta hoy conocemos.
Comencemos por citar algunas definiciones:
Estudio de Redes Neuronales de DARPA (1988, AFCEAInternational Press, p. 60):
"Una red neuronal es un sistema compuesto de muchos elementos procesadores
simples operando en paralelo, cuya funcin es determinada por la estructura de la
red, fuerza en las conexiones y elprocesamiento realizado por los elementos
computacionales en los nodos."
Dr. Haykin, S. (1994, Neural Networks: A comprehensive foundation, NY, McMillan,
P.2):
"Una red neuronal es un procesamiento distribuido masivamente paralelo que tiene
una tendencia natural para almacenar conocimiento emprico y hacerlo disponible
para el uso.
Recuerda al cerebro en dos aspectos:
1.- El conocimiento se adquiere por la red a travs de un proceso de aprendizaje.
2.- Las conexiones interneurnicas se conocen como pasos sinpticos y se usan
para almacenar el conocimiento."
Ya teniendo una breve percepcin de lo que es una red neuronal debemos ahora
saber que existen dos tipos de redes neuronales, las redes neuronales biolgicas y
las redes neuronales artificiales ANN (Artificial Neural Network).
REDES NEURONALES BIOLGICAS.
Son el principal elemento del Sistema Nervioso. Las redes neuronales biolgicas
estn compuestas por un gran nmero de elementos llamados neuronas. Una
neurona es una clula compuesta por cuerpo, un nmero de extensiones llamadas
dendritas, que sirven de entradas, y una larga extensin llamada axn que acta
como salida. La sinapsis conecta el axn de una neurona a las dendritas de las
otras neuronas. Las neuronas estn dispuestas en capas. En general las neuronas
de una capa reciben entradas desde otra capa y envan sus salidas a neuronas de
una tercera. Dependiendo de la aplicacin tambin es posible que las neuronas de
una capa reciban entradas y provean salidas a neuronas de la misma capa.
Las conexiones entre neuronas tienen pesos asociadosque representan la
influencia de una sobre la otra. Si dos neuronas no estn conectadas, el
correspondiente peso de enlace es cero. Esencialmente, cada una enva su
informacin de estado multiplicado por el correspondiente peso a todas las

neuronas conectadas con ella. Luego cada una, a su vez, suma los valores
recibidos desde sus dendritas para actualizar sus estados respectivos.
Se emplea normalmente un conjunto de ejemplos representativos de la
transformacin deseada para "entrenar" el sistema, que, a su vez, se adapta para
producir las salidas deseadas cuando se lo evala con las entradas "aprendidas".
Adems se producirn respuestas cuando, en la utilizacin, se presenten entradas
totalmente nuevas para sistema, esto es durante el modo entrenamiento la
informacin sobre el sistema a resolver es almacenada dentro del ANN y la red
utiliza su modo productivo en ejecutar transformaciones y aprender. De este modo
el sistema de red neuronal no reside necesariamente en la elegancia de la solucin
particular sino en su generalidad de hallar solucin a problemas particulares,
habindose proporcionado ejemplos del comportamiento deseado. Esto permite la
evolucin de los sistemas autmatas sin una reprogramacin explcita.
Las redes neuronales artificiales se basan en el circuito de procesamiento de
entradas en el cual los pesos son sumados. Las funciones de peso sern llamadas
desde ahora como atenuadores. En la implementacin, las entradas a una neurona
son pesadas multiplicando el valor de la entrada por un factor que es menor o igual
a uno. El valor delos factores de peso es determinado por el algoritmo de
aprendizaje.
Las entradas atenuadas son sumadas usando una funcin no lineal llamada
Funcin "Sigmoid". Si la salida de la funcin suma excede el valor de entrada
mximo de la neurona, esta responde generando una salida.
REDES NEURONALES ARTIFICIALES.
Las redes neuronales artificiales (ANN) imitan su funcionamiento a aquellas que se
encuentran en el mbito biolgico. Son aptas para resolver problemas que no
poseen un algoritmo claramente definido para transformar una entrada en una
salida; aprenden, reconocen y aplican relaciones entre objetos.
Se emplea normalmente un conjunto de ejemplos representativos de la
transformacin deseada para "entrenar" el sistema, que, a su vez, se adapta para
producir las salidas deseadas cuando se lo evala con las entradas "aprendidas".
Adems se producirn respuestas cuando, en la utilizacin, se presenten entradas
totalmente nuevas para sistema, esto es durante el modo entrenamiento la
informacin sobre el sistema a resolver es almacenada dentro del ANN y la red
utiliza su modo productivo en ejecutar transformaciones y aprender. De este modo
el sistema de red neuronal no reside necesariamente en la elegancia de la solucin
particular sino en su generalidad de hallar solucin a problemas particulares,
habindose proporcionado ejemplos del comportamiento deseado. Esto permite la
evolucin de los sistemas autmatas sin una reprogramacin explcita.
Las redes neuronales artificiales se basan en el circuito de procesamiento de
entradas en el cuallos pesos son sumados. Las funciones de peso sern llamadas
desde ahora como atenuadores. En la implementacin, las entradas a una neurona
son pesadas multiplicando el valor de la entrada por un factor que es menor o igual
a uno. El valor de los factores de peso es determinado por el algoritmo de
aprendizaje.
Las entradas atenuadas son sumadas usando una funcin no lineal llamada
Funcin "Sigmoid". Si la salida de la funcin suma excede el valor de entrada
mximo de la neurona, esta responde generando una salida.

En la figura podemos ver un modelo en capas de una red neuronal artificial, que
consiste de un conjunto de neuronas.
Cada neurona tiene varias entradas y su salida esta conectada a un conjunto de
otros procesadores de entradas.
Cuando una ANN funciona en modo normal, a partir de los datos presentados en la
entrada, se genera un patrn especfico de salida. La relacin Entrada/Salida ser
determinada durante el modo entrenamiento, entonces cuando una entrada
conocida es presentada da la salida esperada.
El algoritmo de entrenamiento ajusta los pesos de las entradas hasta que se
alcanza la salida esperada.
Las neuronas en la figura tienen una leve complejidad computacional, porque solo
se comunican con las neuronas ms cercanas conectndose de forma simple. Por
las caractersticas y capacidades que ofrece la tecnologa VLSI es posible (en
costos) construir una Red Neuronal con muchos procesadores.

Ing. Jos Rosales Fernandez

Laboratorio de Electrnica

sinapsis.
explique las diferencias entre la sinapsis qumica y la elctrica
1. En las sinapsis elctricas la informacin se transmite a travs de corrientes
locales, mientras que en las sinapsis qumicasse transmite mediante
neurotransmisores.
2. En las sinapsis elctricas prcticamente no hay retardo sinptico (tiempo que
tarda en producirse la conexin sinptica), en las qumicas este retardo esmayor.
3. Las sinapsis elctricas son simtricas, mientras que las qumicas son
asimtricas.
4. Las sinapsis elctricas son, por lo general, bidireccionales. En cambio, las
sinapsis qumicas sonunidireccionales (la neurona postsinptica no puede
transmitir informacin a la presinptica).
5. Las sinapsis elctricas tienen una baja plasticidad (la informacin siempre se
traduce de la mismamanera: cuando se produce un potencial de accin en una
neurona se produce en la otra), en cambio las sinapsis qumicas muestran una alta
plasticidad (las sinapsis que han estado ms activas transmitirnlainformacin con
mayor facilidad). Esta plasticidad permite la adaptacin a los cambios del entorno,
las sinapsis qumicas son ms evolucionadas que las elctricas.

6. Las sinapsis elctricas sonfrecuentes en invertebrados, las qumicas en

vertebrados.
4) explique las diferencias entre la sinapsis qumica y la elctrica
1. En las sinapsis elctricas la informacin se transmite a travs decorrientes
locales, mientras que en las sinapsis qumicas se transmite mediante
neurotransmisores.
2. En las sinapsis elctricas prcticamente no hay retardo sinptico (tiempo que
tarda en producirsela conexin sinptica), en las qumicas este retardo es mayor.
3. Las sinapsis elctricas son simtricas, mientras que las qumicas son
asimtricas.
4. Las sinapsis elctricas son, por lo general,bidireccionales. En cambio, las
sinapsis qumicas son unidireccionales (la neurona postsinptica no puede
transmitir informacin a la presinptica).

La Sinapsis
La sinapsis
Es el proceso esencial en la comunicacin neuronal y constituye el lenguaje
bsico del sistema nervioso. Afortunadamente, las semejanzas de los
mecanismos sinpticos son mucho ms amplias que las diferencias,
asociadas stas a la existencia de distintos neurotransmisores con
caractersticas particulares.
Elliot en 1904 fue el primero que sugiri la posibilidad de que la informacin
era transferida de una neurona a otra por la liberacin de una sustancia
qumica desde las fibras nerviosas; Loewi es, sin embargo, el primero que
mostr la existencia de una sustancia qumica en el lquido perfundido con
la estimulacin del nervio vago y fue su colaborador Navratil quien ms
tarde demostr que esta sustancia era la acetilcolina.
La sinapsis es un punto de machimbre o de enlace entre dos neuronas, la
presinptica y la postsinptica. Las fibras nerviosas actan como terminales
de bujas elctricas de los motores de explosin. Hay una luz o una brecha
sinptica entre los terminales, brecha sinptica donde descargan vesculas
sinpticas que difunden, ayudan a que ocurran reacciones fsicas y
qumicas, recapturan los neurotransmisores ya usados y propagan potencial
elctrico desde una pared o membrana de la brecha o hendidura, la de la
neurona presinptica, a la pared o membrana de la otra, la postsinptica.
Al contacto entre dos neuronas se le llama sinapsis.
Ejemplos deneurotransmisores:
Dopaminrgicos que estimulan la agresivdad
Serotonrgicos que ms bien la frenaran
Principales Neurotransmisores
* Acetilcolina (ACh)
Localizacin:
Neuronas motoras en mdula espinal unin neuromuscular
Proscencfalo basal numerosas reas de la corteza
Interneuronas en el cuerpo estriado
Sistema nervioso autnomo neuronas preganglionares del SNA simptico
y parasimptico, y postganglionares del parasimptico.

Dopamina
Localizacin:
Sustancia negra va nigroestriada del cuerpo estriado, sistema lmbico y
numerosas reas de la corteza)
Ncleo arcuato del hipotlamo hipfisis anterior a travs de las venas
portales
Noradrenalina (NE)
Localizacin:
Lucus Ceruleus de la protuberancia sistema lmbico, hipotlamo, corteza
Bulbo raqudeo locus coeruleus, mdula espinal
Neuronas posganglionares del sistema nervioso simptico
* Serotonina
Localizacin:
Ncleos del rafe protuberancial mltiples proyecciones
Bulbo raqudeo/Protuberancia asta posterior de la mdula espinal
* cido -aminobutrico (GABA)
Localizacin:
Principal neurotransmisor inhibidor del cerebro; interneuronas corticales
muy extendidas y vas de proyecciones largas.
* Glicina
Localizacin:
Principal neurotransmisor inhibidor de la mdula espinal
* Glutamato
Localizacin:
Principal neurotransmisor excitador; localizado por todo el SNC, incluso en
clulas piramidales corticales.