Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

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

Descrizione del progetto

Combinare l’apprendimento automatico e la modellizzazione meccanicistica con apprendimento profondo

I progressi nella mappatura dei circuiti neurali in organismi come la Drosophila melanogaster, il comune moscerino della frutta, sollevano la questione di come utilizzare questi connettomi per comprendere le computazioni neurali e il comportamento. La scienza richiede modelli che siano in linea sia con il connettoma che con la biofisica. Tuttavia, gli attuali modelli meccanicistici non sono in grado di ottimizzare i compiti, mentre i modelli di apprendimento profondo mancano di interpretabilità. Il progetto DeepCoMechTome, finanziato dal CER, mira a progettare una struttura di apprendimento automatico che unisca la modellizzazione meccanicistica all’apprendimento profondo. Si concentrerà sulle due principali calcoli neurali nella mosca, creando modelli ottimizzati per il lobo ottico e i circuiti di controllo motorio, per estrarre informazioni visive e coordinare i movimenti delle zampe. Questo approccio si applica a diversi circuiti neurali e comportamenti, dando luogo a ipotesi sulla sintonizzazione neurale e migliorando le perturbazioni sperimentali.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2022-COG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

EBERHARD KARLS UNIVERSITAET TUEBINGEN
Contributo netto dell'UE
€ 1 997 321,00
Indirizzo
GESCHWISTER-SCHOLL-PLATZ
72074 Tuebingen
Germania
Regione
Baden-Württemberg Tübingen Tübingen, Landkreis
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 997 321,00

Beneficiari (1)