Par Tatjana Tchumatchenko explore les fonctions de réponse dynamique dans les neurosciences, mettant l'accent sur le rôle des fonctions de réponse linéaire dans la compréhension de l'activité neuronale.
Couvre les données neurosciences hétérogènes, les techniques comme les microarrays et le séquençage des gènes, l'intégration des données, et l'importance des métadonnées dans l'organisation et le partage des données.
Couvre les bases NeuroM, y compris la vérification de la qualité des neurones, l'extraction de la morphométrie et la visualisation des neurones dans différents formats.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Se penche sur la simulation de la dynamique du réseau dans les neurosciences silico, couvrant l'activité spontanée et évoquée, les simulations in-vitro et in-vivo, et l'analyse de sensibilité.
Explore la dynamique des populations neuronales, en mettant l'accent sur les réseaux aléatoires et les arguments de terrain moyen pour la connectivité.
Explore l'extraction de texte de données à longue queue dans les neurosciences et la connectivité cérébrale, y compris la reconnaissance d'entités nommées, l'extraction de la concentration de protéines et la comparaison des matrices de connectivité.
Explore la modélisation de données in vitro pour les neurosciences informatiques, y compris la prédiction de la tension sous-seuil et des temps de pointe.
Explore les défis et la signification de la classification des neurones en fonction de la morphologie pour la modélisation précise du cerveau et la compréhension de la fonction cérébrale.