基于模拟的推断,用于有效识别计算连接学中的生成模型
Jan Boelts1,2, Philipp Harth3, Richard Gao1,2
1Machine Learning in Science, University of Tübingen, Tübingen, Germany.
PLoS computational biology
|September 22, 2023
概括
基于模拟的贝叶斯推理 (SBI) 使用实证数据有效地限制神经元连接规则. 该方法识别了数据兼容的参数,使得连接经济学研究中的新预测成为可能.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 系统生物学 系统生物学
背景情况:
- Connectomics的研究产生了大量的神经元连接数据.
- 连接学中的假设测试通常依赖于通过手动参数调整模拟神经网络.
- 现有的方法在有效识别生成性网络模型的参数方面面临挑战.
研究的目的:
- 引入基于模拟的贝叶斯推理 (SBI) 作为计算连接学中的参数推理方法.
- 为了能够有效地推导和测试有关神经元连接原理的假设.
- 提供一种定量方法,用实证连接数据来限制模型参数.
主要方法:
- 使用基于模拟的贝叶斯推理 (SBI) 来进行参数推理.
- 将SBI应用于使用in vivo连接测量的老鼠皮层的in silico模型.
- 采用机器学习来估计模型参数上的后向分布.
主要成果:
- 斯比成功地确定了广泛的数据兼容布线规则参数.
- 后部分布揭示了生物学上可能的参数相互作用.
- 该方法使得能够产生可实验测试的预测,并排除了无效的布线假设.
结论:
- 在连接经济学中,SBI提供了一种定量和高效的参数推断方法.
- 这种方法有助于分析参数关系和测试假设.
- 在连接经济学研究中,SBI广泛适用于各种生成模型.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
2.2K
08:33Author Spotlight: An Optimized Automated Method for Investigating Retinoic Acid Receptors in Neuronal Mitochondria
Published on: July 28, 2023
641
