Partager

Natasha CAYCO GAJIC

Chercheuse
Junior Professor
Études cognitives
Cervelet, contrôle moteur, enregistrements neuronaux à grande échelle, réduction de dimensionnalité, apprentissage par renforcement
Université PSL
Département d'études cognitives
, modifié le
15 novembre 2021
Image
GaycoGajic

J'associe modélisation et analyse de données pour comprendre le lien entre l'activité des populations de neurones et le comportement.

Champ de recherche

Ma formation est en mathématiques appliquées et pour ma thèse, j'ai utilisé une combinaison de systèmes dynamiques, de théorie de l'information et de modèles d'Ising pour comprendre comment les interactions entre les neurones affectent la façon dont ils encodent et transmettent l'information. Pour mon post-doctorat, j'ai emménagé dans un laboratoire expérimental de neurosciences cérébelleuses où j'ai appris des outils de science des données pour l'analyse d'enregistrements de population à grande échelle, en particulier la réduction de dimensionnalité.

Mes intérêts de recherche actuels sont centrés sur la façon dont les circuits en interaction dans le cerveau contrôlent le comportement. Je me concentre sur le cervelet, mais je suis intéressée à comprendre comment cette région se coordonne avec le cortex moteur et les noyaux gris centraux au cours de l'apprentissage moteur et cognitif. À cette fin, j'essaie de combiner de nombreux outils, notamment des méthodes de modélisation et d'analyse réduites, ainsi que l'analyse de données avec mes collaborateurs expérimentaux. Je suis également très intéressé par les nouvelles méthodes de réduction de la dimensionnalité qui pourraient aider à identifier comment la dynamique latente dans les données de population neuronale émerge et évolue au cours de l'apprentissage.

Publications

  • Lanore F*, Cayco Gajic NA*, Gurnani H, Coyle D, Silver RA (2021). Cerebellar granule cell axons support high dimensional representations. Nature Neuroscience 24, 1142-1150.
  • Cayco Gajic NA, Silver RA (2019) Re-evaluating circuit mechanisms underlying pattern separation. Neuron 101, 584-602. 
  • Cayco Gajic NA, Zylberberg J, Shea-Brown E (2018) A maximum entropy model for fitting higher-order interactions. Entropy 20, 489.
  • Cayco Gajic NA, Clopath C, Silver RA (2017) Sparse synaptic activity is required for decorrelation and pattern separation in feedforward networks. Nature Communications 8, 1116.
  • Cayco Gajic NA, Zylberberg J, Shea-Brown E (2015) Triplet correlations among similarly tuned cells impact population coding. Frontiers in Computational Neuroscience 9, 57.
  • Cayco Gajic NA, Shea-Brown E (2013). Neutral stability, rate propagation, and critical branching in feedforward networks. Neural Computation 25, 1768-1806