Vinck Lab

Forschungsschwerpunkt

Die Forschung in meiner Arbeitsgruppe verfolgt drei Ansätze: Schaltkreise – Kollektive – Lernen. Unsere Arbeit wird durch das ERC und BMF unterstützt.

Schaltkreise: Wir untersuchen, wie unterschiedliche Typen erregender und hemmender Neurone die Plastizität des Gehirns regulieren und welchen Beitrag sie zur flexiblen Informationsverarbeitung leisten.

Kollektive: Wir untersuchen, wie Kollektive von Neuronen durch raum-zeitliche Aktivitätsmuster Informationen kodieren und im Speziellen, welche Rolle Spike-Sequenzen und Bursts dabei spielen. Darüber hinaus interessiert uns, welcher Zusammenhang zwischen spontaner neuronaler Aktivität (zum Beispiel beim Träumen) und neuronaler Aktivität, die durch sensorische Wahrnehmungen (hören, sehen etc.) hervorgerufen wird, besteht.

Lernen: Wir untersuchen, wie das Gehirn anhand von Vorhersagen über die unmittelbare Zukunft lernt; wie das Gehirn Gegenstände anhand ihrer Eigenschaften erkennt und welche Rolle rekurrente Netzwerke dabei spielen.

Um diese Fragen zu beantworten, benutzen wir eine große Bandbreite von Methoden und Herangehensweisen. Wir benutzen maschinelles Lernen, um vorhersagbare Zusammenhänge zwischen sensorischem Input über Raum und Zeit zu modellieren. Wir entwickeln Algorithmen, um unsupervised clustering in viel-dimensionalen neuronalen Daten zu ermöglichen und wir entwickeln neue Methoden zur Auswertung elektrophysiologischer Daten. In unserer Arbeit wenden wir Informationstheorie und Neurale Netzwerk Theorie an. Die Daten für unsere Modelle erheben wir mithilfe elektrophysiologischer Ableitungen über alle kortikalen Schichten hinweg und von mehreren Hirnabschnitten gleichzeitig. Anhand von optogenetischen Methoden identifizieren wir Subtypen von Zellen – wie etwa Interneurone mit bestimmten Projektionsmustern – und verändern kortikale Aktivität.

Mehr Informationen auf Martin Vincks persönlicher Website

Ausgewählte Publikationen

Saponati M, Vinck M (2023). Sequence anticipation and spike-timing-dependent plasticity emerge from a predictive learning rule. Nat Commun 14, 4985 (2023). https://doi.org/10.1038/s41467-023-40651-w

Sotomayor-Gómez B, Battaglia FP, Vinck M (2023). SpikeShip: A method for fast, unsupervised discovery of high-dimensional neural spiking patterns. PLoS Comput Biol 19(7): e1011335. https://doi.org/10.1371/journal.pcbi.1011335

Schneider M, Tzanou A, Uran C, Vinck M (2023). Cell-type-specific propagation of visual flicker. Cell Reports, 42(5), 112492. https://doi.org/10.1016/j.celrep.2023.112492

Vinck M, Uran C, Spyropoulos G, Onorato I, Broggini AC, Schneider M, Canales-Johnson A (2023). Principles of large-scale neural interactions. Neuron 111 (7), 917-1164. https://doi.org/10.1016/j.neuron.2023.03.015

Spyropoulos G, Saponati M, Dowdall JR, Schölvinck M, Bosman CA, Lima B, Peter A, Onorato I, … Vinck M (2022). Spontaneous variability in gamma dynamics described by a damped harmonic oscillator driven by noise. Nature Communications, 13, 2019. https://doi.org/10.1038/s41467-022-29674-x

Uran C, Peter A, Lazar A, Barnes W, Klon-Lipok J, Shapcott KA, Roese R, Fries P, Singer W, Vinck M (2022). Predictive coding of natural images by V1 firing rates and rhythmic synchronization. Neuron 110(7), 1240-1257. https://doi.org/10.1016/j.neuron.2022.01.002

Schneider M, Broggini AC, Dann B, Tzanou A, Uran C, Sheshadri S, Scherberger H, Vinck M (2021). A mechanism for inter-areal coherence through communication based on connectivity and oscillatory power. Neuron 109(24), 4050-4067.e12. https://doi.org/10.1016/j.neuron.2021.09.037

Onorato I, Neuenschwander S, Hoy J, Lima B, Rocha KS, Broggini AC, Uran C, Spyropoulos G, Klon-Lipok J, Womelsdorf T, Fries P, Niell C, Singer W, Vinck M (2020). A distinct class of bursting neurons with strong gamma synchronization and stimulus selectivity in monkey V1. Neuron 105(1), 180-197.e5. https://doi.org/10.1016/j.neuron.2019.09.039

Peter A, Uran C, Klon-Lipok J, Roese R, van Stijn S, Barnes W, Dowdall JR, Singer W, Fries P, Vinck M (2019). Surface color and predictability determine contextual modulation of V1 firing and gamma oscillations. eLife 8, e42101. https://doi.org/10.7554/eLife.42101

Grossberger L, Battaglia FP, Vinck M (2018). Unsupervised clustering of temporal patterns in high-dimensional neuronal ensembles using a novel dissimilarity measure. PLoS Comput Biol 14(7), e1006283. https://doi.org/10.1371/journal.pcbi.1006283

Vinck M, Batista-Brito R, Knoblich U, Cardin JA (2015). Arousal and locomotion make distinct contributions to cortical activity patterns and visual encoding. Neuron 86(3), 740-754. https://doi.org/10.1016/j.neuron.2015.03.028