AbstractsBiology & Animal Science

Data Science for Neuroscience

by Christopher John Häusler




Institution: Freie Universität Berlin
Department: FB Biologie, Chemie, Pharmazie
Degree: PhD
Year: 2014
Record ID: 1099133
Full text PDF: http://edocs.fu-berlin.de/diss/receive/FUDISS_thesis_000000096408


Abstract

Data Science is a fast growing buzzword in both industry and academia. Despite the hype, the term well reflects how a growing number of technically orientated scientists moving into traditionally less technical disciplines such as biology approach their day to day research. This body of work is an example of this approach, taking core disciplines from data science such as modelling, machine learning, statistics and data analysis and applying them to the field of neuroscience. The thesis is broken into three self-contained manuscripts, each addressing a key neuroscientfic problem in a data driven way. In the first manuscript we take inspiration from information processing in the brain and using temporal artificial neural networks and unsupervised learning, devise an approach to improve neuron based generative models. In the second manuscript we use the brain as a model and apply the approach developed in the first manuscript to the problem of dynamic representation learning in the mammalian visual cortex. In the third manuscript we use the brain as a data source and apply statistical and machine learning techniques to help understand neural representation of movement in the human basal ganglia. Data Science ist ein schnell wachsendes Modewort in Industrie und Forschung. Trotz des anfänglichen Hypes ist eine Vielzahl von technisch orientierten Wissenschaftlern zu vermerken, die ihren Schwerpunkt auf weniger technische Forschungsdisziplinen, wie z.B. die Biologie, verlagern. Die vorliegende Arbeit ist ein Beispiel dieser Entwicklung, Fachdisziplinen wie Modellierung, maschinelles Lernen, Statistik und Datenanalyse im Bereich der Neurowisseschaften anzuwenden. Diese Doktorarbeit setzt sich aus drei eigenständigen Manuskripten zusammen, die neurowissenschaftliche Problematiken datengesteuert lösen. Das erste Manuskript geht von der Informationsverarbeitung im Gehirn aus und bedient sich temporaler künstlicher neuraler Netze und unüberwachtem Lernen, um Neuron-basierte generative Modelle zu verbessern. Im zweiten Manuskript fungiert das Gehirn als Modell. Der Ansatz der ersten Arbeit wird auf die Problematik des Lernens dynamischer Darstellungen im visuellen Kortex von Säugetieren angewendet. Das dritte Manuskript sieht das Gehirn als Datenquelle und versucht mittels statistischer und maschineller Lernverfahren die neurale Darstellung der Bewegung von menschlichen Basalganglien zu veranschaulichen.