Projektbeschreibung
Mit Maschinenlernmodell detailliert die Kognition erforschen
Die Einführung mechanistischer, gut auf experimentelle Daten abgestimmter Modelle könnte das Verständnis der zellulären und für Netzwerke typischen Eigenschaften, die der Kognition zugrunde liegen, und der Ursachen pathologischer Zustände erheblich verbessern. Das im Rahmen der Marie-Skłodowska-Curie-Maßnahmen finanzierte Projekt AutoMIND schlägt die Entwicklung eines mit einem Maschinenlernmodell ausgestatteten Inferenzinstruments vor, das die Parameter bestimmter gepulster neuronaler Netzmodelle erkennen kann, welche beliebige neuronale Zieldynamiken in menschlichen Gehirnaufnahmen erfassen könnten. Das Instrument profitiert von den neuesten Fortschritten bei den simulationsgestützten Inferenzverfahren: Es werden das Mannigfaltigkeitslernen mit simultanen Parametern und gradientengestützte Simulationen einbezogen. Zudem kann es neurowissenschaftliche Probleme mithilfe von In-silico-Experimenten lösen.
Ziel
Human cognition depends on complex coordinated dynamics of neural populations, which is shaped by a rich heterogeneity in cellular properties and network connectivity patterns of neural circuits. While cognitive neuroscience leverages macroscopic brain signals to relate neural activity to behavioral states, we currently cannot dissect them for their physiological contributions, hindering mechanistic interpretations of experimental data. One way to systematically study how physiological parameters shape neural dynamics is through mechanistic modeling of spiking neural networks. However, current modeling approaches are not quantitatively constrained by observed electrophysiological data, and often require painstaking and ad-hoc parameter-tuning by hand. Efficient discovery of mechanistic models that are consistent with experimental data would dramatically accelerate our understanding of how cellular and network properties impact cognition, and why it breaks down in pathological states, representing a radical departure from how neural data is analyzed in cognitive neuroscience. To this end, I propose to develop a machine learning-assisted model inference tool—Automated Model Inference from Neural Dynamics (AutoMIND)—that can identify parameters of candidate spiking neural network models that could capture arbitrary target neural dynamics from human brain recordings. AutoMIND extends on recent advances in simulation-based inference techniques, incorporating simultaneous parameter manifold-learning and gradient-based simulations. AutoMIND has broad utility for tackling neuroscientific questions by enabling expedited in-silico experiments. Here, I apply it to multiscale neural data to study how cellular and network properties shape: 1) the emergence of synchronous network oscillations during early neurodevelopment, and 2) the difference in neural dynamics and computation between sensory and association cortices—two questions of fundamental importance to neuroscience.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordinator
72074 Tuebingen
Deutschland