Tobulėjanti pavienių nervinių ląstelių parametrų matavimo technika suteikia milžiniškus kiekius informacijos. Kad apdoroti tokias gausias duomenų apimtis, būtina taikyti sudėtingus duomenų apdorojimo metodus pasitelkiant galingas skaičiavimo priemones ir algoritmus. Šio darbo tikslas - nustatyti optimalią interneuronų tiesioginio sklidimo slopinančių sinapsių mokymosi taisyklę, kuri leistų išsaugoti įėjimo signalų aukštą laikinę skiriamąją gebą, kuomet žadinančių sinapsių svorių koeficientai keičiami pagal nuo įėjimų laiko priklausančią sinapsių plastiškumo (angl. spike-timing dependent synaptic plasticity, (STDP)) taisyklę. Vykstant žadinančių sinapsių ilgalaikei potenciacijai, įėjimų signalų integravimo langas išauga. Siekiant išsaugoti integravimo langą siaurą, reikalingas ir tiesioginio sklidimo slopinančių sinapsių plastiškumas. / Plentiful results are coming from advances in single cell recordings. All these data have to be treated in complex ways implementing powerful computational techniques. Goal of this study was to identify the optimal learning rule of feedforward inhibitory interneurons that preserves high temporal precision of input discrimination while excitatory synapses undergo synaptic modifications according to the asymmetric spike-timing dependent plasticity rule. Temporal integration of inputs is enhanced if excitatory synapses undergo long term potentiation. To preserve narrow temporal integration window, feedforward inhibitory synapses must be plastic as well.