On the demixing and self-organized formation of neural population responses

Abstract

Les neurones dans les zones corticales sup悶rieures, telles que le cortex pr悶frontal, r悶pondent a unelarge gamme de variables sensorielles et motrices et affichent donc ce qu’on appelle une s悶lectivit悶mixte. L’information repr悶sent悶e par ces zones, ainsi que la fa筧on dont elles la repr悶sentent, sonttres mal comprises du fait de la diversit悶 et de la complexit悶 des r悶ponses unicellulaires. Dansla premiere partie de la pr悶sente these, nous introduisons une nouvelle technique de r悶ductionde dimensionnalit悶, l’analyse en composantes principales dissoci悶es (demixed principal componentanalysis, dPCA). Cette m悶thode permet une extraction automatique des caract悶ristiques essentiellesde l’activit悶 complexe d’une population. Nous r悶analysons quatre ensembles de donn悶esenr悶gistr悶es dans des especes diff悶rentes (rats et macaques), des zones corticales diff悶rentes (cortexpr悶frontal et cortex orbitofrontal), et lors de tˆaches exp悶rimentales diff悶rentes (m悶moire de travailtactile et visuo-spatiale, discrimination et cat悶gorisation d’odeurs). Dans chacun de ces cas, ladPCA permet de fournir une visualisation compacte des donn悶es qui synth悶tise les caract悶ristiquespertinentes de la r悶ponse de la population neuronale dans une seule figure. L’activit悶 de la populationest d悶compos悶e en peu de composantes dissoci悶es qui repr悶sentent la plus grande partiede la variance des donn悶es et r悶velent l’accord dynamique de la population aux stimuli, d悶cisions,r悶compenses etc. Par rapport aux approches traditionnelles, la dPCA simplifie nettement la visualisationdes donn悶es et r悶v`ele des caract悶ristiques …

Wieland Brendel

Principal Investigator (PI)

Wieland Brendel received his Diploma in physics from the University of Regensburg (2010) and his Ph.D. in computational neuroscience from the École normale supérieure in Paris (2014). He joined the University of Tübingen as a postdoctoral researcher in the group of Matthias Bethge, became a Principal Investigator and Team Lead in the Tübingen AI Center (2018) and an Emmy Noether Group Leader for Robust Machine Learning (2020). In May 2022, Wieland joined the Max-Planck Institute for Intelligent Systems as an independent Group Leader and is now a Hector-endowed Fellow at the ELLIS Institute Tübingen (since September 2023). He received the 2023 German Pattern Recognition Award for his substantial contributions on robust, generalisable and interpretable machine vision. Aside of his research, Wieland co-founded a nationwide school competition (bw-ki.de) and a machine learning startup focused on visual quality control.