Bernstein Netzwerk Computational Neuroscience
  • Home
  • Netzwerk
    • Das Bernstein Netzwerk
    • Bernstein Zentren
      • Berlin
      • Freiburg
      • Göttingen
      • München
      • Tübingen
      • Heidelberg-Mannheim
    • Forschungsinfrastruktur
      • High Performance Simulation and Data Analysis
      • Forschungsdaten-Management
      • Wissenschaftskommunikation
      • Wissenschaftskoordination
    • Preise und Initiativen
      • Valentin Braitenberg Award
      • Brains for Brains Nachwuchspreis
      • Bernstein SmartSteps
    • Gremien des Netzwerks
    • Satzung
    • Mitgliedschaft
    • Historie
    • Spenden
    • Kontakt
  • Newsroom
    • Newsroom
    • Aktuelles
    • Meet the Scientist
    • Veranstaltungen
    • Ausschreibungen
    • Medienecho
    • Presse
    • Publikationen des Netzwerks
    • Bernstein Bulletin
  • Forschung und Lehre
    • Forschung und Lehre
    • Wissenschaftler:innen finden
    • Studienprogramme
      • Masterprogramme
      • Promotionsprogramme
    • Studienangebote
      • Bernstein Student Workshop Series 2023
      • Online Learning
      • Kurse für Fortgeschrittene
      • Praktika und Abschlussarbeiten
    • Ethos des Bernstein Netzwerks
  • Karriere
    • Karriere
    • Stellenangebote
    • Verstärken Sie unser Team
  • Bernstein Conference
    • Bernstein Conference
    • Call for Satellite Workshops
    • General Information
      • Tentative Schedule
      • Past Conferences
    • FAQ
  • DE
  • EN
  • Suche
  • Menü Menü
Sie sind hier: Startseite1 / Newsroom2 / Aktuelles3 / Algorithmus-Detektiv ermittelt passendes Neuro-Modell
Bonn – 29. Oktober 2020

Algorithmus-Detektiv ermittelt passendes Neuro-Modell

In der Forschung kann bereits das Sammeln von Daten schwer sein – doch ein Modell zu finden, welches die Beobachtungen erklärt, stellt oft eine viel größere Herausforderung dar. In der Neurowissenschaft misst man die Zellaktivität von Neuronen. Doch was genau in den zellulären Netzwerken geschieht, kann nur verstanden werden, wenn man die Aktivität durch ein Modell erklären kann. Aber welches Modell passt zu welchen Daten? Eine neuartige Methode, entwickelt von Pedro J. Gonçalves, Jan-Matthis Lueckmann, Michael Deistler, Jakob Macke und Kollegen automatisiert diesen Prozess.

Der Algorithmus (SNPE) benötigt drei Inputs: ein Modell (d.h. Computercode zur Simulation von Daten aus Parametern), Vorwissen oder Einschränkungen der Parameter und empirische Daten. SNPE simuliert eine Reihe von Parameterwerten aus und trainiert ein künstliches neuronales Netz, um jedes Simulationsergebnis auf eine Reihe möglicher Parameter abzubilden. Nach dem Training an simulierten Daten mit bekannten Modellparametern bietet SNPE die gesamte Bandbreite an Parametern, die mit den empirischen Daten und dem Vorwissen übereinstimmen. Grafik von P. Goncalves, J. Lueckmann, M. Deistler and J. Macke

/BN/ caesar, Scherrer et al./
Gehirne bestehen aus einem schier unüberschaubaren Netzwerk aus Nervenzellen. Um die Schaltkreise, die sie formen, zu verstehen, misst man die Aktivität von Neuronen und versucht anhand von Modellen neuronale Mechanismen zu ergründen. Die Identifizierung eines geeigneten Modells, d.h. eines Modells, das mit den gemessenen Daten übereinstimmt, war bisher jedoch oft sehr schwierig, insbesondere bei komplexen, mechanistischen Modellen mit vielen Parametern.

Bisher waren die Möglichkeiten passende Modelle zu finden begrenzt: Entweder wurden Modelle in mühevoller Kleinarbeit so lange modifiziert, bis sie die gemessenen Daten erklären konnten, oder Modelle wurden durch Heuristiken per „brute force“-Prinzip – also dem puren Ausprobieren aller Modelle – bestimmt. Beide Ansätze waren weder systematisch noch effizient.

Pedro J. Gonçalves, Jan-Matthis Lueckmann, Michael Deistler, Jakob Macke und Kollegen fanden eine Lösung für dieses Problem. Sie entwickelten einen Algorithmus, der automatisch anhand der im Experiment gemessenen Daten geeignete Modelle bestimmt. Das Zauberwort dieses Ansatzes heißt „Bayes’sche Inferenz“: Anhand der beobachteten Daten und Simulationen vom Modell identifiziert der Algorithmus alle geeigneten Modelle, die zu den gemessenen Daten passen.

Das wissenschaftliche Arbeiten wird damit enorm beschleunigt. Besonders bemerkenswert an dem neuen Ansatz ist, dass er sehr generell einsetzbar ist – die innere Struktur des Modells spielt keine Rolle. Das ermöglicht es, den Algorithmus auch in anderen Bereichen der biomedizinischen Forschung einzusetzen.

Originalpublikation

Gonçalves, Pedro J, Lueckmann, J., Deistler, M., Nonnenmacher,M., Öcal, K.,  Bassetto, G., Chintaluri, C., Podlaski, W.F., Haddad, S.A., Vogels,T.P., Greenberg, D.S. and Macke. J.H.  „Training deep neural density estimators to identify mechanistic models of neural dynamics“. eLife. Oct. 27. 2020. Doi: 10.7554/eLife.56261

Weiterführende Verlinkungen

Illuminating the Dark Parameter Space of Neuroscience Modeling

> mehr

Profil Jakob Macke

> mehr

Algorithmus-Detektiv ermittelt passendes Neuro-Modell

25. November 2020/in /von Alexandra Stein

Kontakt Aktuelles

Kontakt

Pedro Gonçalves

Max Planck Research Group Neural Systems Analysis
Center of Advanced European Studies and Research (caesar)
Bonn, Germany

pedro.goncalves@caesar.de

Jakob Macke

Machine Learning in Science
Excellence Cluster Machine Learning
University of Tübingen

jakob.macke@uni-tuebingen.de

Bernstein Netzwerk Computational Neuroscience Logo

Mitglied werden
Satzung
Spenden
Newsletter abonnieren

 

Folgen Sie uns

Mastodon
© 2023 Bernstein Netzwerk Computational Neuroscience
  • Kontakt
  • Impressum
  • Datenschutz
Nach oben scrollen
Cookie-Zustimmung verwalten
Wir verwenden Cookies, um unsere Website und unseren Service zu optimieren.
Funktional Immer aktiv
Der Zugriff oder die technische Speicherung ist unbedingt für den rechtmäßigen Zweck erforderlich, um die Nutzung eines bestimmten Dienstes zu ermöglichen, der vom Abonnenten oder Nutzer ausdrücklich angefordert wurde, oder für den alleinigen Zweck der Übertragung einer Nachricht über ein elektronisches Kommunikationsnetz.
Vorlieben
Die technische Speicherung oder der Zugriff ist für den rechtmäßigen Zweck der Speicherung von Voreinstellungen erforderlich, die nicht vom Abonnenten oder Nutzer beantragt wurden.
Statistiken
Die technische Speicherung oder der Zugriff, der ausschließlich zu statistischen Zwecken erfolgt. Die technische Speicherung oder der Zugriff, der ausschließlich zu anonymen statistischen Zwecken verwendet wird. Ohne eine Aufforderung, die freiwillige Zustimmung Ihres Internetdienstanbieters oder zusätzliche Aufzeichnungen von Dritten können die zu diesem Zweck gespeicherten oder abgerufenen Informationen allein in der Regel nicht zu Ihrer Identifizierung verwendet werden.
Marketing
Die technische Speicherung oder der Zugriff ist erforderlich, um Nutzerprofile zu erstellen, um Werbung zu versenden oder um den Nutzer auf einer Website oder über mehrere Websites hinweg zu ähnlichen Marketingzwecken zu verfolgen.
Optionen verwalten Dienste verwalten Anbieter verwalten Lesen Sie mehr über diese Zwecke
Einstellungen
{title} {title} {title}