Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

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

Opis projektu

Uczenie maszynowe oraz modelowanie mechanistyczne z uczeniem głębokim

Rozwój mapowania obwodów neuronalnych w organizmach takich jak Drosophila melanogaster, czyli muszka owocowa, rodzą pytanie, jak wykorzystać te połączenia do zrozumienia obliczeń neuronalnych i zachowania. Badania wymagają modeli, które są zgodne zarówno z konektomami, jak i biofizyką. Istniejące modele mechanistyczne nie mogą być optymalizowane pod kątem zadań, z kolei modele oparte na uczeniu głębokim nie są interpretowalne. Zespół finansowanego ze środków Europejskiej Rady ds. Badań Naukowych projektu DeepCoMechTome ma na celu zaprojektowanie algorytmów uczenia maszynowego, które łączą modelowanie mechanistyczne z uczeniem głębokim. Zespół skupi się na dwóch głównych obwodach neuronalnych muszki, tworząc zoptymalizowane modele dla płata wzrokowego i obwodów kontroli motorycznej, aby wydobyć informacje wizualne i koordynować ruchy nóg. Podejście to znajdzie zastosowanie w analizie różnych obwodów neuronalnych i zachowań, co zaowocuje wypracowaniem hipotez dotyczących dostrajania neuronalnego i wzmacniania zaburzeń eksperymentalnych.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2022-COG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

EBERHARD KARLS UNIVERSITAET TUEBINGEN
Wkład UE netto
€ 1 997 321,00
Adres
GESCHWISTER-SCHOLL-PLATZ
72074 Tuebingen
Niemcy
Region
Baden-Württemberg Tübingen Tübingen, Landkreis
Rodzaj działalności
Higher or Secondary Education Establishments
Linki
Koszt całkowity
€ 1 997 321,00

Beneficjenci (1)