Herramientas de Machine Learning para la detección de variables representadas en el código neuronal
Expositor: Sofía Lawrie – DTIC y CBC, Universitat Pompeu Fabra, Barcelona, España.
Fecha: Martes 21/8/2018, 10.30 hs.
Comprender cómo se representan tanto la información sobre el mundo exterior como aquella relacionada con el comportamiento autónomo es una de las cuestiones centrales en el campo de la neurociencia. Con el avance de tecnologías que permiten registrar de manera simultánea ensambles cada vez mayores de neuronas, así como el diseño de creciente complejidad de las tareas experimentales, ha hecho que técnicas tradicionalmente reservadas para análisis de grandes volúmenes de datos se conviertan en una nueva herramienta lista para ser aplicada en neurociencia.
En esta distendida charla, haré una breve reseña histórica del código neuronal, haciendo énfasis en el cambio de paradigma entre la doctrina de la neurona y aquel que presenta a las redes neuronales como las unidades funcionales del cerebro [1]. Luego, presentaré algunos conceptos clásicos de machine learning actualmente aplicados para el análisis de la actividad neuronal, como modelos lineales generalizados y regresión logística [2], finalizando con algunos comentarios breves sobre aplicaciones de estos modelos en un paradigma experimental para estudiar la memoria de trabajo en monos, trabajo actualmente en curso.
Referencias:
[1] Yuste, R. From the neuron doctrine to neural networks. Nature Reviews Neuroscience, 2015. DOI: 10.1038/nrn3962.
[2] Nogueira et al. LOFC anticipates choices and integrates prior with current information, 2017. Nature Communications. DOI: 10.1038/ncomms14823.