Modeling gene networks in synaptic computation: A Bayesian perturbation approach.

Synapsen zijn de contactpunten in ons brein waar signaaloverdracht plaats vindt tussen neuronen. Doordat synapsen op milliseconde nivo hun sterkte kunnen aanpassen bepalen ze in grote mate de manier waarop onze hersenen informatie verwerken. Deze korte-termijn plasticiteit van de synaps wordt vooral bepaald door processen in de presynaptische terminal die de afgifte van signaalmoleculen uit kleine blaasjes regelen. In de afgelopen jaren zijn de meeste van de genen die hierbij betrokken zijn uitvoerig bestudeerd op expressie-, interactie- en functioneel nivo, maar een goed mechanistisch begrip van het onderliggende gen-netwerk ontbreekt nog steeds. In dit project worden technieken uit het vakgebied van de machine learning toegepast om een realistisch gen-netwerk model op te stellen voor korte-termijn plasticiteit in de synaps. Hiervoor wordt een nieuwe aanpak ontwikkeld waarin Bayesiaanse kansbereking wordt gebruikt om te kijken welke modellen het beste de experimentele data kunnen beschrijven. Met dezelfde kansrekening kan ook worden gekeken welke genetische verstoring in een experiment, bijvoorbeeld door een gen weg te halen, de meeste informatie oplevert. Door een sterke interactie tussen model en experiment is het mogelijk om op een efficiente manier via selectie tot een realistisch model te komen. Het model zal een quantitatieve beschrijving geven van informatieoverdracht op synapsnivo wat essentieel is voor informatieverwerking op netwerk-nivo. Het kan daarmee nieuwe inzichten geven in hoe het gezonde en zieke brein functioneren en het veld van de kunstmatige intelligentie en machine learning inspireren in het vinden van nieuwe algorithmes voor informatie verwerking.