DPMS mutualise des modèles de cerveaux

MMarc

Des chercheurs de Janelia, de l’université Radboud et de Northwestern présentent DPMS, un cadre d’inférence variationnelle qui mutualise des données entre sujets sans apparier directement leurs composants, selon AlphaSignal. Cette approche vise des modèles biologiques où les éléments étudiés ne sont pas alignés d’un sujet à l’autre, ce qui rend leur mise en correspondance directe impossible. DPMS utilise des métadonnées décrivant les composants, notamment les coordonnées tridimensionnelles des neurones, pour apprendre un a priori conditionnel partagé entre les sujets. En même temps, la méthode conserve une distribution de paramètres propre à chaque sujet, afin de préserver les différences individuelles au sein de ce cadre commun. L’évaluation porte sur 100 cerveaux synthétiques et sur des enregistrements calciques du cerveau entier de poissons-zèbres larvaires. Ces enregistrements comptent environ 80 000 neurones par poisson, ce qui permet d’évaluer la méthode sur des modèles synthétiques comme sur des données biologiques. Les auteurs indiquent que DPMS peut aussi s’appliquer à la régression, à la classification et à la réduction de dimension par analyse factorielle ; son code est publié sur GitHub.