Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Training deep neural density estimators to identify mechanistic models of neural dynamics

Gonçalves, P. J., Lueckmann, J.-M., Deistler, M., Nonnenmacher, M., Öcal, K., Bassetto, G., et al. (2020). Training deep neural density estimators to identify mechanistic models of neural dynamics. bioRxiv: the preprint server for biology, 838383. doi:10.1101/838383.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/21.11116/0000-0005-D52C-A Versions-Permalink: https://hdl.handle.net/21.11116/0000-000C-FCE7-4
Genre: Preprint

Dateien

einblenden: Dateien
ausblenden: Dateien
:
GoncalvesMackeTrainingDeepNeural_2020.pdf (Preprint), 10MB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-0005-D52E-8
Name:
GoncalvesMackeTrainingDeepNeural_2020.pdf
Beschreibung:
Preprint for publication in eLife / doi: 10.7554/eLife.56261
OA-Status:
Keine Angabe
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-
:
GoncalvesMackeTrainingDeepNeural_2020_V3.pdf (Preprint), 10MB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-0006-A909-2
Name:
GoncalvesMackeTrainingDeepNeural_2020_V3.pdf
Beschreibung:
-
OA-Status:
Keine Angabe
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://www.biorxiv.org/content/10.1101/838383v3 (beliebiger Volltext)
Beschreibung:
-
OA-Status:
Keine Angabe
externe Referenz:
https://elifesciences.org/articles/56261 (Verlagsversion)
Beschreibung:
-
OA-Status:
Keine Angabe

Urheber

einblenden:
ausblenden:
 Urheber:
Gonçalves, Pedro J.1, Autor
Lueckmann, Jan-Matthis2, Autor
Deistler, Michael2, Autor
Nonnenmacher, Marcel2, Autor
Öcal, Kaan1, Autor
Bassetto, Giacomo1, Autor
Chintaluri, Chaitanya2, Autor
Podlaski, William F.2, Autor
Haddad, Sara A.2, Autor
Vogels, Tim P.2, Autor
Greenberg, David S.2, Autor
Macke, Jakob H.2, Autor
Affiliations:
1Max Planck Research Group Neural Systems Analysis, Center of Advanced European Studies and Research (caesar), Max Planck Society, Ludwig-Erhard-Allee 2, 53175 Bonn, DE, ou_2173683              
2External Organizations, ou_persistent22              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Mechanistic modeling in neuroscience aims to explain observed phenomena in terms of underlying causes. However, determining which model parameters agree with complex and stochastic neural data presents a significant challenge. We address this challenge with a machine learning tool which uses deep neural density estimators-- trained using model simulations-- to carry out Bayesian inference and retrieve the full space of parameters compatible with raw data or selected data features. Our method is scalable in parameters and data features, and can rapidly analyze new data after initial training. We demonstrate the power and flexibility of our approach on receptive fields, ion channels, and Hodgkin-Huxley models. We also characterize the space of circuit configurations giving rise to rhythmic activity in the crustacean stomatogastric ganglion, and use these results to derive hypotheses for underlying compensation mechanisms. Our approach will help close the gap between data-driven and theory-driven models of neural dynamics.

Details

einblenden:
ausblenden:
Sprache(n): eng - English
 Datum: 2019-11-122020-03-07
 Publikationsstatus: Online veröffentlicht
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: Keine Begutachtung
 Identifikatoren: DOI: 10.1101/838383
 Art des Abschluß: -

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: bioRxiv : the preprint server for biology
  Kurztitel : bioRxiv
Genre der Quelle: Zeitschrift
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: - Artikelnummer: 838383 Start- / Endseite: - Identifikator: ZDB: 2766415-6
CoNE: https://pure.mpg.de/cone/journals/resource/2766415-6