Description du projet
Un modèle basé sur l’apprentissage automatique pour une étude approfondie de la cognition
L’introduction de modèles mécanistes bien alignés sur les données expérimentales pourrait considérablement améliorer la compréhension des propriétés cellulaires et des réseaux à la base de la cognition, et de ce qui engendre des conditions pathologiques. Financé par le programme Actions Marie Skłodowska-Curie, le projet AutoMIND propose de développer un outil d’inférence de modèle basé sur l’apprentissage automatique, capable d’identifier les paramètres de modèles particuliers de réseaux de neurones à impulsions tout en enregistrant des dynamiques neuronales cibles arbitraires à partir d’enregistrements du cerveau humain. L’outil s’appuie sur les progrès récents des techniques d’inférence basées sur la simulation, en incorporant l’analyse de variétés des paramètres et les simulations basées sur le gradient. Il est en outre capable de résoudre des problèmes neuroscientifiques via des expériences in silico.
Objectif
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.
Champ scientifique
Mots‑clés
Programme(s)
Régime de financement
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinateur
72074 Tuebingen
Allemagne