Descrizione del progetto
Metodi statistici potrebbero far luce sull’elaborazione del segnale cellulare nel cervelletto
Il cervelletto è strettamente coinvolto nella messa a punto di comportamenti precisi a livello temporale: azioni o movimenti complessi programmati ed eseguiti su una scala di millisecondi. La corteccia cerebellare, la porzione più esterna del cervelletto, possiede una struttura relativamente semplice. Essa svolge un ruolo nella rappresentazione di informazioni sensoriali che dipendono dal tempo e pertinenti a pianificazione ed esecuzione motoria. Il progetto SICNET, finanziato dall’UE, sta applicando metodi statistici rigorosi per rafforzare la comprensione di elaborazione sinaptica e calcolo dei circuiti nella corteccia cerebellare. Partendo da dati di imaging provenienti da animali comportamentali, SICNET applicherà metodi matematici per estrarre l’attività, determinare le proprietà di connettività e sinaptiche dei tipi cellulari noti e valutare la capacità di elaborazione della rete cerebellare. I metodi dovrebbero suggerire i meccanismi cellulari dei calcoli dei circuiti nel cervelletto e rivelarsi preziosi anche per lo studio di altre regioni cerebrali.
Obiettivo
The brain can coordinate complex sequences of actions with the accuracy of milliseconds. Where and how these neural computations occur is an open question in neuroscience. Despite recent technological developments allowing for large-scale high-resolution functional imaging of the brain and direct neuronal recordings in behaving animals, there has been little effort in applying rigorous statistical approaches to test circuit connectivity patterns and synaptic mechanisms driving neural activity.
Experimental evidence from classical conditioning and neuronal recordings have revealed that the cerebellum plays a fundamental role in fine-tuning of temporally precise behaviors. This project aims to elucidate the neural computation arising from anatomical and physiological constraints of the comparatively simple organization of the cerebellar cortical circuit, which allows the cerebellum to represent time-dependent sensory information necessary to drive behavior. Experimental and theoretical findings in the host laboratory have led to the hypothesis that dynamic synapse are a substrate for temporal representations and temporal learning. I will use sequential Monte Carlo methods to extract activity from calcium imaging data. Then I will use a generative model of the cerebellar network to infer the connectivity among the known cell types of the cerebellum as well as their synaptic properties. Finally, I will use information theory to examine the processing capacity of the cerebellar network, thereby providing new insights on evolutionary optimization of brain computation.
The combination of my experience in statistical methods and the host laboratory's experience in state-of-art neural recordings and theoretical models, is a perfect match to break down the barriers to understanding the cellular mechanisms of circuit computations. We believe that this analysis approach could also be applied to understand other neuronal circuits.
Campo scientifico
Programma(i)
Argomento(i)
Meccanismo di finanziamento
MSCA-IF-EF-ST - Standard EFCoordinatore
75724 Paris
Francia