NeuroSyntax

درود بر دوستان و همراهان نوروسینتکس،

در روزهای گذشته درباره‌ی شیوه‌ی برگزاری نشست‌های «مدل‌های خطی تعمیم‌یافته» (Generalized Linear Models) فکر کردم. با توجه به اینکه این خانواده از روش‌ها در تحلیل‌های آماری گوناگون بسیار کاربرد دارند، تصمیم گرفتم دوره‌ای جامع برای اون برگزار کنم.

ساختار این دوره همانند نشست‌های پیشین (مانند Matrix Factorization یا Brain Dynamics) خواهد بود: نخست پیش‌نیازهای ریاضیاتی موضوع بررسی می‌شود و سپس به کاربرد این بنیان‌ها در پژوهش‌های علوم اعصاب می‌پردازیم. برای درک بهتر مفاهیم ریاضی مدل‌های خطی، از دو کتابی که در این یادداشت معرفی شده‌اند بهره خواهیم برد. در بخش‌های علمی‌ـ‌کاربردی نیز، بسته به موضوع هر نشست، نمونه‌های گوناگونی از علوم اعصاب بررسی خواهیم کرد.

با اینکه همواره کوشش میکنم هر دوره رو از پایه آغاز کنم، پیشنهاد می‌کنم اگر فرصت دارید، چند نشست آغازین از مجموعه‌ی تجزیه‌ی ماتریس ها (به‌ویژه قسمت ۱ تا ۴) را مرور کنید تا با فضای جبر خطی بیشتر آشنا شوید.

ویژگی‌های دوره:

تعداد نشست‌ها: ۷ تا ۱۰ نشست

روز برگزاری: شنبه‌ها (زمان دقیق از راه رأی‌گیری تعیین خواهد شد)

شیوه‌ی برگزاری: برخط (آنلاین) - در بستر زوم



همکاری در برگزاری:

اگر علاقه‌مند به همکاری در برگزاری این دوره هستید، خوشحال میشم پیام بفرستید. پیش از اون، لطفاً به نکات زیر توجه داشته باشید:

- اگر مایل به همکاری در بخش‌های ریاضی هستید، بهتر است دانش‌آموخته‌ی رشته‌های ریاضی، فیزیک یا مهندسی باشید، یا تجربه‌ی کافی در آموزش مفاهیم ریاضی داشته باشید.

- برای همکاری در طراحی کدها، آشنایی با زبان برنامه‌نویسی پایتون ضروری‌ست.

NeuroSyntax pinned «کجا مشغول تحصیل/پژوهش هستید؟»

برای بسیاری از محتوایی که در فصل دوم ارائه شد تیم Carsen Stringer و Marius Pachiţariu ویدیو آموزشی تهیه کردن. در زیر لیستی از این ویدیوهای آموزشی رو پیدا میکنید:

⚡️Kilosort

2020 Lecture 2.03 - Spike sorting with Kilosort - Marius Pachitariu (HHMI)

2021 Lecture 2.2 - Spike sorting with Kilosort - Marius Pachitariu (HHMI)

2020 Lecture 2.04 - Using the Kilosort GUI - Nick Steinmetz (UW)

2021 Lecture 2.4 - Curating sorted spikes with Phy - Nick Steinmetz (UW)

Downloading Kilosort4 and the Generated User Interface (GUI)

KiloSort


🔬Suite2p

lecture1 suite2p

lecture2 suite2p

example data runthrough

Cellpose and Suite2p

suite2p and NWB

suite2P: a fast and accurate pipeline for automatically processing functional imaging recordings

Carsen Stringer "Cellpose & Suite2p: anatomical and functional algorithms for cellular segmentation"


🐭 Facemap

Facemap tutorial (Syeda et al 2023)

🧠 Rastermap

Rastermap: An embedding algorithm for interpreting high-dimensional neural activity

Rastermap: a discovery method for neural population recordings

Carsen Stringer - Rastermap: Extractingstructure from high-dimensional neuraldata

Carsen Stinger - Rastermap: Extracting structure from high dimensional neural data - Oct 25, 21

Nilearn Dev Days 2020 - Scientific day, Carsen Stringer

کانال تلگرام:
https://t.me/Neuro_Syntax

NeuroSyntax pinned «آزمایشگاه نوروسینتکس - فصل 2 - قسمت 7 - آموزش کار با Rastermap یکی از دگرگونی‌های بنیادین در شیوه‌ی آناکاوی داده‌ها در دوران کنونی، گرایش به روش‌هایی‌ست که بر بنیاد داده پیش می‌روند؛ یعنی روش‌هایی که بی‌نیاز از گمانه‌زنی‌های پیشینی، می‌توانند الگوهای بامعنی…»

درود بر همگی دوستان و همراهان نوروسینتکس


با ارائه Rastermap جلسه های فصل دوم آزمایشگاه نوروسینتکس به پایان رسید. بر مبنای نظرسنجی هایی که شد در فصل سوم به سراغ Generalized Linear Models خواهیم رفت که در علوم اعصاب برای کاربردهای گوناگونی به کار گرفته شده است و یک رویکرد خطی قدرتمند برای Decoding به حساب میاد. با توجه به اینکه این بحث در نورومچ هم پیشتر ارائه شده، در نوروسینتکس کوشش خواهیم کرد بر محتوای نورومچ بیافزاییم و کاربردهای گسترده تری از GLM ها را بررسی کنیم.

تغییری که در این فصل انجام میشه اینکه بجای اینکه روی یک مقاله تمرکز کنیم، روی یک خانواده از متدهای ریاضیاتی (GLM) تمرکز خواهیم کرد و مقالات مرتبط بسیاری را بررسی میکنیم. محتوای این فصل این گونه خواهد بود:

- آشنایی با ریاضیات Generalized Linear Models (انواع گوناگونی از رگرسیون ها را میتوان در این مدلها جای داد)

- بررسی کاربرد های GLM در تفسیر های گوناگون (decoding، functional connections between neurons، behavioral modeling , ...)

- بررسی تولباکس های پایتون (و شاید متلب) برای طراحی GLM ها و انجام انواع تست های آماری روی آنها

- بررسی پیش فرض ها و محدودیت های GLM

اگر در حوزه های علوم زیستی، علوم اعصاب، رفتار، روانشناسی، شناختی و مهندسی پژوهش میکنید این دوره برای شما مفید خواهد بود.

با نوروسینتکس کامروا شوید 😎


کانال تلگرام:
https://t.me/Neuro_Syntax

آزمایشگاه نوروسینتکس - فصل 2 - قسمت 7 - آموزش کار با Rastermap

یکی از دگرگونی‌های بنیادین در شیوه‌ی آناکاوی داده‌ها در دوران کنونی، گرایش به روش‌هایی‌ست که بر بنیاد داده پیش می‌روند؛ یعنی روش‌هایی که بی‌نیاز از گمانه‌زنی‌های پیشینی، می‌توانند الگوهای بامعنی را از دل داده‌ها بیرون کشیده و بررسی کنند. در این جلسه، با یکی از این روش‌ها آشنا می‌شویم که برای آراستن و نمایش داده‌های نورونی ساخته شده است.

مباحث این جلسه:

آشنایی با Rastermap به‌عنوان روشی برای مرتب‌سازی نورون‌ها بر پایه‌ی شباهت در الگوی فعالیت آن‌ها

پیاده‌سازی Rastermap به‌صورت گرافیکی در رابط کاربری نرم‌افزار و همچنین با کدنویسی در پایتون

بررسی کاربردهای Rastermap در انواع داده‌های نورونی برای کشف الگوهای پنهان


کانال تلگرام:
https://t.me/Neuro_Syntax

درود بر همه دوستان و همراهان نوروسینتکس

شنبه (فردا) ساعت هفت، جلسه پایانی فصل دوم آزمایشگاه نوروسینتکس رو برگزار خواهیم کرد.


محتوای جلسه: مصور کردن داده ها یکی از مهم ترین گام ها برای کشف های علمی به شمار میاد. در این جلسه با یک روش ترتیب بندی نورون ها بر مبنای همبستگی میان فعالیت آنها آشنا میشیم که به ما کمک میکنه الگوهای فعالیت در سطح جمعیت نورون ها رو بهتر ببینیم. امیررضا این روش رو آموزش خواهد داد.

شنبه در نوروسینتکس درباره Rastermap صحبت خواهم کرد.
یک تولباکس بسیار خوبه برای دیدن پترن در فعالیت عصبی.

درواقع میاد Raster plot رو برمیداره و جوری مرتب میکنه تا نورون‌هایی که فعالیتشون شبیه همه، کنار هم باشن تا پترن‌ها بیشتر مشخص بشه.

در جلسه شنبه اول اصولش رو از مقاله زیر توضیح میدم:
https://www.nature.com/articles/s41593-024-01783-4

بعدش هم با چنتا مثال جالب، تولباکسش در پایتون رو معرفی میکنم.

اگر با دیتاهای حجیم کار میکنید بسیار پیشنهاد میکنم که شرکت کنید.

@bahramani_ch

آزمایشگاه نوروسینتکس - فصل 2 - قسمت 6 - آموزش کار با Suite2p برای پیش پردازش تصاویر کلسیمی

محتوای این جلسه:

آموزش کار با Suite2p برای پیش پردازش تصاویر کلسیمی

کانال تلگرام:
https://t.me/Neuro_Syntax

درود بر همگی دوستان و همراهان نوروسینتکس

این هفته قرار بر این بود که من FaceMap رو آموزش بدم اما هنوز فهم خودم ازش کامل نشده و شایسته نمیبینم این محتوا رو الآن آموزش بدم. جلسه ای در آینده به این اختصاص خواهم داد.

بجای این جلسه یک جلسه بحث آزاد این شنبه برگزار میکنیم که میتونیم درباره بحث پژوهش های امروز علوم اعصاب، رویکردها، محدودیتها و ... صحبت کنیم. (جلسه درباره پرسش برای اپلای و فرآیندهای مشابه نخواهد بود و تنها برای تمرکز بر روی "پژوهش در علوم اعصاب" هست.)

❗️جلسه شنبه ساعت 6:30 - پلتفرم زوم

❗️جلسه ضبط نخواهد شد.

به طور کلی چندین خانواده آنالیز بسیار مهم باقی مونده که علاقه مندم همه رو در سال جدید و به تدریج کار کنیم که شامل موارد زیر میشه:

Generalized Linear Models

Hidden Markov Models

Bayesian analysis

Information theory

در کنار اینها اگر علاقه مند هستید در نوروسینتکس آموزش بدید، پیام بدید تا برنامه ریزی کنیم.

در صورتی که علاقه مند هستید فقط یک مقاله/بحث رو ارائه بدید و نمیخواید که یک دوره کامل برگزار کنید، میتونیم برای این هم برنامه ریزی کنیم.

من بسیار خواهان این هستم که افراد بیشتری به عنوان آموزش دهنده بیان و بخش های مختلف نوروسینتکس رو بر عهده بگیرن.

در کل هم من دارم پیر میشم و بهتره عرصه رو به جوان تر ها بسپارم.

درود بر همگی دوستان و کسانی که در نظرسنجی فصل سوم نوروسینتکس شرکت کردند.

▫️با توجه به نتایج رای گیری که بسیار نزدیک هست و اینکه مبحث GLM ها پایه ای تر و راحت تر از HMM هست، فصل سوم رو به GLM ها اختصاص میدیم و برای فصول بعدتر به سراغ HMM خواهیم رفت.

▫️با توجه به اینکه GLM در علوم اعصاب برای کاربردهای گوناگونی بکار گرفته شده سعی میکنم مجموعه ای از مقالات رو گردآوری بکنم که یک گستره خوبی از تنوع کاربردی این خانواده از آنالیز ها رو آموزش بده.

▫️اگر علاقه مند به ارائه مقالات یا مباحث پایه GLM هستید زیر این پست اعلام آمادگی کنید تا بهتون پیام بدم.

▫️من لیستی از مقالاتی که فکر میکنم مناسب این فصل هستند رو میارم ولی این لیست شاید تا زمان آغاز جلسات تغییر کنه. اگر مقالات مناسبی میشناسید که از GLM ها استفاده کرده ارسال کنید تا بررسی کنم.

لیست مقالات و منابع:

Machine Learning for Neural Decoding

Generalized Linear Models for Point Process Analyses of Neural Spiking Activity

Spatio-temporal correlations and visual signalling in a complete neuronal population

Reconstructing neuronal circuitry from parallel spike trains

GLMspiketraintutorial_python

GLMspiketools

تمامی مبانی این بحث ارائه خواهد شد اما اگر علاقه مند هستید پیش از شروع جلسات کمی درباره این خانواده آنالیزها بدونید میتونید ویدیو زیر از نورومچ رو نگاه کنید:

Machine Learning: GLM

NeuroSyntax pinned a photo

NeuroSyntax pinned «برای فصل سوم آزمایشگاه نوروسینتکس، کدام خانواده از آنالیز های زیر را انتخاب میکنید؟»

برای فصل سوم آزمایشگاه نوروسینتکس، تصمیم گرفتم بین دو موضوع پایین یکی رو ارائه کنم که میتونید از میانشون انتخاب کنید:

* Capturing the Dynamical Repertoire of Neurons with Generalized Linear Models

* Uncovering temporal structure in neural data with Hidden Markov Models
Uncovering temporal structure in hippocampal output patterns

در موضوعات بالا بیش از اینکه روی متد های یک مقاله تمرکز کنیم، روی یک خانواده از آنالیز ها که GLM یا HMM هستن تمرکز خواهیم کرد و کاربردهای گوناگون این رویکردها رو در کار کردن با انواع داده (نورونی، رفتاری، نورونی-رفتاری) خواهیم گفت.