Start Forschung Abteilungen / AGs / Institute Theoretische Neurowissenschaften Informationen

Informationen: Theoretische Neurowissenschaften

Department of Theoretical Neuroscience

2017/01/19

Forschung

Unsere Abteilung verfolgt im Wesentlichen 3 Forschungsansätze:

 

Statistisches maschinelles Lernen & neuronale Netzwerke

Wir entwickeln neue Methoden des maschinellen Lernens für die Datenanalyse aus einer theoretisch-statistischen Perspektive. Unser Fokus liegt auf der Analyse hochdimensionaler und multimodaler Zeitreihen wie Hirnsignalen oder Daten aus mobilen Applikationen, mit dem primären Ziel das dynamische System zu identifizieren, das den beobachteten Meßzeitreihen zugrundeliegt. Unser derzeit zentralster methodischer Ansatz für die Modellierung und Vorhersage solcher Zeitreihen und deren Integration mit anderen Informationen sind tiefe, generative rekurrente neuronale Netzwerke (RNN; z.B. Koppe et al. 2019, PLoS Comp Biol). Darüber hinaus haben wir neue Machine Learning-Tools und statistische Tests zur unsupervisionierten Erkennung raumzeitlicher Muster in nicht-stationären Umgebungen entwickelt (z.B. Russo & Durstewitz 2017, eLife), die wir z.B. für simultane elektrophysiologische Ableitungen von bis zu Hunderten von Neuronen zur Dekodierung kognitiver Prozesse aus neuronaler Aktivität anwenden.
 

Computationale Psychiatrie & biomedizinische Anwendungen

Wir wenden unsere innovative Methodik für diagnostische und prognostische (prädiktive) Zwecke in der Psychiatrie und Neurologie an, aber auch, um Einblicke in zugrundeliegende Krankheitsmechanismen zu gewinnen. Auf Grundlage generativer RNN können wir beispielsweise dynamische Modelle individueller Gehirne aus funktionellen Bildgebungsdaten (fMRT) oder elektroenzephalografischen (EEG) Messungen herleiten (z.B. Durstewitz et al. 2019, Molecular Psychiatry), oder auch dynamische Modelle des individuellen Verhaltens aus mobilen Sensor- und Smartphone-Daten (z.B. Koppe et al. 2018, Schiz. Bulletin). Solche RNN-basierten dynamischen Systemmodelle, die auf einzelnen Personen trainiert werden, können dann verwendet werden, um zukünftige Verhaltens- oder neuronale Trajektorien vorherzusagen und darüber frühzeitige Interventionen zu ermöglichen. Einmal trainierte RNN können zudem am Computer simuliert werden, um prognostisch die Wirkung möglicher pharmakologischer oder behavioraler Behandlungen am Modell zu untersuchen. Darüber hinaus verwenden wir formale Modelle des Verstärkungslernens, um Lernprozesse im psychiatrischen Kontext zu untersuchen (z.B. Koppe et al. 2017 PLoS Biol).
 

Biologische Künstliche Intelligenz

Wir entwickeln auch mathematische Modelle von Hirnfunktionen auf einer eher biophysikalischen Ebene (z.B. Hass et al. 2016, PLoS Comp Biol), sowie statistische Ansätze, um solche Modelle direkt aus experimentellen Beobachtungen wie Multi-Zell-Ableitungen oder Neuroimaging-Daten zu inferieren (z.B. Hertäg et al. 2012, Front Comp Neurosci). Diese stark datengetriebenen Modelle können dann eingesetzt werden, um Einblicke in die neurodynamischen und neuro-computationalen Prozesse zu gewinnen, die kognitiven Funktionen und ihren Veränderungen bei psychiatrischen Erkrankungen zugrundeliegen. Solche Modelle können zudem verwendet werden, um neuartige diagnostische und prognostische Kriterien für psychiatrische und neurologische Erkrankungen abzuleiten, sowie effektivere und personalisierte Behandlungspläne zu entwickeln.

Postdoctoral researchers

Dr. Florian Bähner

Dr. Joachim Hass

Dr. Eleonora Russo

Dr. Georgia Koppe

PhD students

Carla Filosa

Dominik Schmidt

Sadjad Sadeghi

Leonard Bereska

Daniel Kramer

RG Systems Neurophysiology

Dr. Thomas T.G. Hahn

Dr. Sven Berberich



Zentralinstitut für Seelische Gesundheit (ZI) - https://www.zi-mannheim.de