Cuerpo celular (Soma): la parte central de una neurona, incluidos el núcleo y los orgánulos, es el centro de control metabólico y genético de la célula.

Dendritas: Estructuras ramificadas que se extienden desde el cuerpo celular. Su superficie está cubierta de sinapsis. Se encargan principalmente de recibir señales de otras neuronas.

Axón: Fibra larga y delgada que se extiende desde el cuerpo celular y es responsable de transmitir señales eléctricas a otras neuronas o células musculares.

Sinapsis: el punto de conexión entre neuronas, que consta de la membrana presináptica (el axón terminal de la neurona emisora), la hendidura sináptica (el pequeño espacio entre dos neuronas) y la membrana postsináptica (las dendritas receptoras o cuerpos celulares de las neuronas).

Potencial de reposo: Cuando una neurona no es estimulada, existe una diferencia de potencial entre el interior y el exterior de la membrana celular, que suele ser negativa (unos -70 milivoltios) y se mantiene principalmente por la salida de iones potasio.

Potencial de acción: cuando la dendrita recibe una señal excitadora de suficiente fuerza, el canal iónico de sodio se abre y los iones de sodio fluyen hacia adentro, lo que hace que el potencial de membrana se eleve hasta el umbral (aproximadamente -55 milivoltios), lo que desencadena el potencial de acción.

Conducción eléctrica: los potenciales de acción se propagan a lo largo de los axones a velocidades que van desde decenas a cientos de metros por segundo, determinadas por el aislamiento de mielina del axón y la activación secuencial de los canales iónicos.

Liberación de neurotransmisores: cuando el potencial de acción llega a la terminal del axón, hace que los iones de calcio ingresen a la célula, desencadena la fusión de las vesículas sinápticas y la membrana presináptica y libera neurotransmisores en la hendidura sináptica.

Hendidura sináptica: los neurotransmisores se difunden a través de la hendidura sináptica hasta la membrana postsináptica. Este proceso es muy rápido, generalmente del orden de milisegundos.

Unión al receptor: los neurotransmisores se unen a receptores específicos en la membrana postsináptica, lo que hace que los canales iónicos se abran o cierren, cambien el potencial de membrana y generen potenciales postsinápticos excitadores o inhibidores.

Integración de señales: la dendrita de una neurona postsináptica puede recibir señales de múltiples axones. Estas señales se integran en el cuerpo celular para determinar si se alcanza el umbral para generar un nuevo potencial de acción.

Potenciación a largo plazo (LTP): la eficiencia de la transmisión sináptica se mejora mediante la estimulación excitadora repetida, que es uno de los mecanismos clave del aprendizaje y la memoria. La LTP implica un aumento en la cantidad de receptores de la membrana postsináptica, un aumento en la sensibilidad del receptor y un aumento en la eficiencia de la liberación de neurotransmisores de la membrana presináptica.

Depresión a largo plazo (LTD): la eficiencia de la transmisión sináptica se ve debilitada por la estimulación inhibidora repetida, a diferencia de la LTP. LTD implica una disminución en el número o la sensibilidad de los receptores de membrana postsinápticos.

Poda sináptica: Durante el desarrollo, se eliminan las sinapsis inactivas y se fortalecen las sinapsis activas como una forma de que el cerebro se adapte a los cambios del entorno. La poda sináptica ayuda a optimizar la estructura de las redes neuronales y mejorar la eficiencia del procesamiento de la información.

Modelo de neurona: las neuronas artificiales en las RNA (redes neuronales artificiales) generalmente contienen entradas (dendritas), pesos (fuerza de las sinapsis), funciones de activación (que simulan la acción de los neurotransmisores) y salidas (terminales axónicas).

Actualización de pesos: en las RNA, los pesos se ajustan mediante un algoritmo de aprendizaje (como la retropropagación) para minimizar el error de predicción, similar a la plasticidad sináptica. El propósito de la actualización del peso es mejorar la capacidad de la red para reconocer datos de entrada.

Función de activación: la función de activación en las RNA simula la respuesta no lineal de las neuronas, como ReLU (Unidad lineal rectificada) o la función sigmoidea, que determina si la neurona se "activa" y transmite señales. La elección de la función de activación tiene un impacto importante en la capacidad de aprendizaje y el rendimiento de la red.

Estructura de red: las RNA pueden tener múltiples capas de neuronas para formar estructuras de red complejas, similares a la organización jerárquica de las neuronas en el cerebro. Las redes de aprendizaje profundo, como las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN), simulan diferentes niveles de procesamiento de información y procesamiento de series temporales en el cerebro.