AG Neural Data Science

Die in den modernen Neurowissenschaften aufgezeichneten Daten werden immer komplexer und hochdimensionaler. Um dieser Herausforderung zu begegnen, verfolgt die Gruppe Neuronale Datenwissenschaft zwei wesentliche Forschungslinien.

      Forschungsinteressen

      • Verhaltenkorrelate innerhalb der neuronaler Populationsaktivität

        Verhaltenkorrelate innerhalb der neuronaler Populationsaktivität

        Die erste Linie konzentriert sich auf den Einsatz modernster mathematischer und rechnergestützter Methoden zur Untersuchung der Aktivität neuronaler Netzwerke sowie des Verhaltens von Tieren. Dabei geht es darum, die richtigen Modelle und Techniken zu finden, um verrauschte neuronale Daten, wie z.B. aus elektrophysiologischen in-vivo-Messungen oder in-vivo Fluoreszenzmikroskopie, mit hohem Durchsatz zu interpretieren.

        Spezifische Ziele umfassen:

        • Verständnis der niedrigdimensionalen Dynamik, die der Populationsaktivität bei gesunden Tieren und Krankheitsmodellen zugrunde liegt
        • Verständnis der Rolle von Verhaltenskorrelationen, die sich sowohl bei freiem Verhalten als auch bei lernbezogenen Aufgaben ergeben
        • Verständnis der Komplexität der Input-Output-Berechnungen einzelner Neuronen 
      • Computergestützte Methoden

        Computergestützte Methoden

        Die zweite Forschungslinie konzentriert sich auf die Entwicklung neuer Arten von Rechenmethoden und maschinellen Lernmodellen zur Beantwortung der zuvor genannten Fragen. Zu diesem Zweck entwickelt die Gruppe neue Methoden zur Messung und Analyse des Verhaltens von Tieren sowie geeignete statistische Methoden zur Korrelation von Verhaltensmustern mit neuronaler Aktivität. Die Gruppe nutzt hierfür eine breite Palette von Verfahren aus den Gebieten der Signalverarbeitung, Computer Vision sowie des statistisches maschinelles Lernens.

        Spezifische Entwicklungen umfassen:

        • Probabilistische Methoden zur Extraktion von niedrigdimensionalen Strukturen aus hochdimensionalen Daten
        • Verhaltensquantifizierung mit Hilfe von nichtüberwachtem maschinellen Lernen
        • Computer Vision Verfahren zur Verhaltsverfolgung in komplexer Umgebung

         

         

      Arbeitsgruppe

      • Leiter

        Leiter

        Pavol Bauer studierte Medizinische Informatik an der Technischen Universität Wien und promovierte in Scientic Computing an der Uppsala Universität in Schweden. Im Anschluss daran forschte er am Deutschen Zentrum für Neurodegenerative Erkrankungen in Bonn als Postdoc über die Korrelation von neuronaler Aktivität und Verhaltensmustern von frei beweglichen Mäusen im Labor von Stefan Remy. Seit Januar 2020 ist er als Leiter der Arbeitsgruppe Neural Data Analysis in der Abteilung Zelluläre Neurowissenschaft tätig.

      • Publikationen

        Publikationen

        2019

        Widgren S, Bauer P, Eriksson R, Engblom S. SimInf: A Package for Data-Driven Stochastic Disease Spread Simulations. J Stat Soft. 2019;91(12). doi:10.18637/jss.v091.i12

        Lindén J, Bauer P, Engblom S, Jonsson B. Exposing Inter-process Information for Efficient PDES of Spatial Stochastic Systems on Multicores. ACM Trans Model Comput Simul. 2019;29(2):1-25. doi:10.1145/3301500

        Luxem K, Fuhrmann F, Remy S, Bauer P. Hierarchical network analysis of behavior and neuronal population activity. In: 2019 Conference on Cognitive Computational Neuroscience. Berlin, Germany: Cognitive Computational Neuroscience; 2019. doi:10.32470/CCN.2019.1261-0
         

        2018

        Lindén J, Bauer P, Engblom S, Jonsson B. Fine-Grained Local Dynamic Load Balancing in PDES. In: Proceedings of the 2018 ACM SIGSIM Conference on Principles of Advanced Discrete Simulation  - SIGSIM-PADS ’18. Rome, Italy: ACM Press; 2018:201-212. doi:10.1145/3200921.3200928

        Bauer P, Engblom S, Mikulovic S, Senek A. Multiscale modelling via split-step methods in neural firing. Mathematical and Computer Modelling of Dynamical Systems. 2018;24(4):426-445. doi:10.1080/13873954.2018.1488740

        Mikulovic S, Restrepo CE, Siwani S, et al. Ventral hippocampal OLM cells control type 2 theta oscillations and response to predator odor. Nat Commun. 2018;9(1):3638. doi:10.1038/s41467-018-05907-w
         

        2016

        Bauer P, Engblom S, Widgren S. Fast event-based epidemiological simulations on national scales. The International Journal of High Performance Computing Applications. 2016;30(4):438-453. doi:10.1177/1094342016635723

        Widgren S, Engblom S, Bauer P, Frössling J, Emanuelson U, Lindberg A. Data-driven network modelling of disease transmission using complete population movement data: spread of VTEC O157 in Swedish cattle. Vet Res. 2016;47(1):81. doi:10.1186/s13567-016-0366-5

         

        2015

        Bauer P, Lindén J, Engblom S, Jonsson B. Efficient Inter-Process Synchronization for Parallel Discrete Event Simulation on Multicores. In: Proceedings of the 3rd ACM Conference on SIGSIM-Principles of Advanced Discrete Simulation - SIGSIM-PADS ’15. London, United Kingdom: ACM Press; 2015:183-194. doi:10.1145/2769458.2769476

        Patra K, Lyons DJ, Bauer P, et al. A role for solute carrier family 10 member 4, or vesicular aminergic-associated transporter, in structural remodelling and transmitter release at the mouse neuromuscular junction. Eur J Neurosci. 2015;41(3):316-327. doi:10.1111/ejn.12790

        Milias-Argeitis A, Engblom S, Bauer P, Khammash M. Stochastic focusing coupled with negative feedback enables robust regulation in biochemical reaction networks. J R Soc Interface. 2015;12(113):20150831. doi:10.1098/rsif.2015.0831

         

        2014

        Bauer P, Engblom S. Sensitivity Estimation and Inverse Problems in Spatial Stochastic Models of Chemical Kinetics. Lecture Notes in Computational Science and Engineering; 2015:519-527. doi:10.1007/978-3-319-10705-9_51

      • Preprint

        Preprint

        Wir haben den Preprint mit dem Titel „Identifying Behavioral Structure from Deep Variational Embeddings of Animal Motion“ veröffentlicht, welcher unter BioRxiv verfügbar ist. In diesem Preprint präsentieren wir ein neuartiges Framework für maschinelles Lernen zur Entdeckung der latenten Struktur des Tierverhaltens anhand von Daten aus der markerlosen Berechnung der Körperstellung, mit dem Titel Variational Animal Motion Embedding (VAME).

      Diese Seite teilen: