Automated Model Inference from Neural Dynamics for a Mechanistic Understanding of Cognition

Informations projet

AutoMIND

N° de convention de subvention: 101030918

DOI

10.3030/101030918

Projet clôturé

Date de signature de la CE 21 Avril 2021

Date de début 1 Mai 2021

Date de fin 30 Avril 2023

Financé au titre de

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Coût total

€ 162 806,40

Contribution de l’UE

€ 162 806,40

Coordonné par

EBERHARD KARLS UNIVERSITAET TUEBINGEN
Germany

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 (EuroSciVoc)

• sciences naturelles › sciences biologiques › neurobiologie › neurosciences cognitives
• sciences naturelles › informatique et science de l'information › intelligence artificielle › intelligence de calcul

Mots‑clés

• simulation-based inference
• likelihood-free inference
• mechanistic modeling
• spiking neural networks

Programme(s)

• H2020-EU.1.3. - EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions PROGRAMME PRINCIPAL
  
• H2020-EU.1.3.2. - Nurturing excellence by means of cross-border and cross-sector mobility
  

Thème(s)

• MSCA-IF-2020 - Individual Fellowships
  

Régime de financement

MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)

Appel à propositions

H2020-MSCA-IF-2020

Coordinateur

EBERHARD KARLS UNIVERSITAET TUEBINGEN

• Contribution nette de l'UE: € 162 806,40
• Adresse: GESCHWISTER-SCHOLL-PLATZ ; 72074 Tuebingen ; Allemagne
• Région: Baden-Württemberg › Tübingen › Tübingen, Landkreis
• Type d’activité: Higher or Secondary Education Establishments
• Coût total: € 162 806,40