Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Using deep learning to understand computations in neural circuits with Connectome-constrained Mechanistic Models

Projektbeschreibung

Maschinelles Lernen und mechanistische Modellierung mit Deep Learning kombinieren

Fortschritte bei der Kartierung neuronaler Schaltkreise von Organismen wie Drosophila melanogaster, der Frucht- oder Taufliege, lassen die Frage aufkommen, wie diese Konnektome genutzt werden können, um neuronale Berechnungen und Verhalten zu verstehen. Die Wissenschaft benötigt Modelle, die sich sowohl an Konnektomen als auch der Biophysik ausrichten. Die gegenwärtig üblichen mechanistischen Modelle können jedoch nicht für Aufgaben optimiert werden, während es den Deep-Learning-Modellen an Interpretierbarkeit mangelt. Das Ziel des ERC-finanzierten Projekts DeepCoMechTome besteht darin, ein Rahmenwerk für maschinelles Lernen zu entwickeln, das mechanistische Modellierung mit Deep Learning verbindet. Es wird zwei wichtige neuronale Berechnungen in der Fliege in den Mittelpunkt rücken, wobei optimierte Modelle für den Sehnerv und die motorischen Steuerungskreise erstellt werden, um visuelle Informationen zu extrahieren und Beinbewegungen zu koordinieren. Dieser Ansatz lässt sich auf verschiedene neuronale Schaltkreise und Verhaltensweisen anwenden, woraus Hypothesen über die neuronale Abstimmung und die Optimierung bei experimentellen Störungen resultieren.

Ziel

Advances in experimental techniques yield detailed wiring diagrams of neural circuits in model-systems such as the Drosophila melanogaster. How can we leverage these complex connectomes, together with targeted recordings and perturbations of neural activity, to understand how neuronal populations perform computations underlying behavior? Achieving a mechanistic understanding will require models that are consistent with connectomes and biophysical mechanisms, while also being capable of performing behaviorally relevant computations. Current models fail to address this need: Mechanistic models satisfy anatomical and biophysical constraints by design, but we lack methods for optimizing them to perform tasks. Conversely, deep learning models can be optimized to perform challenging tasks, but fall short on mechanistic interpretability.

To address this challenge, we will provide a machine learning framework that unifies mechanistic modeling and deep learning, and will make it possible to algorithmically identify models that link biophysical mechanisms, neural data, and behavior. We will use our approach to study two key neural computations in D. melanogaster. We will build large-scale mechanistic models of the optic lobe and motor control circuits which are constrained by connectomes and physiological measurements, and optimize them to solve specific computational tasks: Extracting behaviorally relevant information from the visual input, and coordinating leg movements to achieve robust locomotion. Our methodology for building, interpreting and updating these `deep mechanistic models' will be applicable to a wide range of neural circuits and behaviors. It will serve as a powerful hypothesis generator for predicting neural tuning and optimizing experimental perturbations, and will yield unprecedented insights into how connectivity shapes efficient neural computations in biological and artificial networks.

Wissenschaftliches Gebiet (EuroSciVoc)

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-ERC - HORIZON ERC Grants

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2022-COG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

EBERHARD KARLS UNIVERSITAET TUEBINGEN
Netto-EU-Beitrag
€ 1 997 321,00
Adresse
GESCHWISTER-SCHOLL-PLATZ
72074 Tuebingen
Deutschland
Region
Baden-Württemberg Tübingen Tübingen, Landkreis
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 1 997 321,00

Begünstigte (1)