Kanaka Rajan

Kanaka Rajan
K.Rajan Profile Picture.jpg
Född
Indien
Nationalitet amerikansk
Alma mater

Anna University Brandeis University Columbia University
Känd för Återkommande neurala nätverk (RNN) modeller av hjärnan
Utmärkelser 2021 NSF CAREER Award, 2021 Harold & Golden Lamport Basic Research Award, 2019 Friedman Brain Institute Research Scholars Award, 2019 Sloan Research Fellowship in Neuroscience, 2016 Understanding Human Cognition Scholar Award från James McDonnell Foundation, Brain and Behavior Foundation Young Investigator Award
Vetenskaplig karriär
Fält Beräknings- och teoretisk neurovetenskap
institutioner Icahn School of Medicine vid Mount Sinai

Kanaka Rajan är neuroforskare och docent vid Institutionen för neurovetenskap och Friedman Brain Institute vid Icahn School of Medicine vid Mount Sinai i New York City . Rajan utbildade sig i teknik, biofysik och neurovetenskap och har banat väg för nya metoder och modeller för att förstå hur hjärnan bearbetar sensorisk information. Hennes forskning syftar till att förstå hur viktiga kognitiva funktioner - såsom att lära sig, komma ihåg och bestämma - uppstår ur den samverkande aktiviteten av multi-skaliga neurala processer, och hur dessa processer påverkas av olika neuropsykiatriska sjukdomstillstånd. De resulterande integrativa teorierna om hjärnan överbryggar neurobiologi och artificiell intelligens .

tidigt liv och utbildning

Rajan är född och uppvuxen i Indien. Hon avslutade en Bachelors of Technology (B.Tech.) från Center for Biotechnology vid Anna University i Tamil Nadu , Indien 2000, med inriktning på industriell bioteknik och tog examen med beröm.

2002 tog Rajan en forskarexamen i neurovetenskap vid Brandeis University , där hon gjorde experimentella rotationer med Eve Marder och Gina G. Turrigiano , innan hon började på Larry Abbotts laboratorium där hon avslutade sin masterexamen (MA). 2005 övergick hon till doktorand. program i neurovetenskap vid Columbia University när Dr. Abbott flyttade från Brandeis till Columbia och började sin doktorsexamen. med Abbott vid Center for Theoretical Neuroscience.

Doktorandforskning

I Rajans doktorandarbete använde hon matematisk modellering för att ta itu med neurobiologiska frågor. Huvudkomponenten i hennes avhandling var utvecklingen av en teori för hur hjärnan tolkar subtila sensoriska signaler inom ramen för dess interna erfarenhetsmässiga och motiverande tillstånd för att utvinna entydiga representationer av den yttre världen. Denna arbetslinje fokuserade på matematisk analys av neurala nätverk som innehåller excitatoriska och hämmande typer för att modellera neuroner och deras synaptiska anslutningar. Hennes arbete visade att en ökning av bredden på fördelningarna av excitatoriska och inhiberande synaptiska styrkor dramatiskt förändrar egenvärdesfördelningarna. I ett biologiskt sammanhang tyder dessa fynd på att en mängd olika celltyper med olika fördelningar av synaptisk styrka skulle påverka nätverksdynamiken och att synaptiska styrkafördelningar kan mätas för att undersöka egenskaperna hos nätverksdynamiken. Elektrofysiologi och avbildningsstudier i många hjärnregioner har sedan dess validerat förutsägelserna av denna fasövergångshypotes.

användes kraftfulla metoder från slumpmässig matristeori och statistisk mekanik . Rajans tidiga, inflytelserika arbete med Abbott och Haim Sompolinsky integrerade fysikmetodik i mainstream neurovetenskaplig forskning – först genom att skapa experimentellt verifierbara förutsägelser och idag genom att cementera dessa verktyg som en viktig komponent i datamodelleringsarsenalen. Rajan avslutade sin Ph.D. År 2009.

Postdoktoral forskning

Från 2010 till 2018 arbetade Rajan som postdoktor vid Princeton University med den teoretiske biofysikern William Bialek och neurovetaren David W. Tank . På Princeton utvecklade och använde hon och hennes kollegor en bred uppsättning verktyg från fysik, ingenjörsvetenskap och datavetenskap för att bygga nya konceptuella ramar för att beskriva förhållandet mellan kognitiva processer och biofysik över många skalor av biologisk organisation.

Modelleringsfunktionselektivitet

I Rajans postdoktorala arbete med Bialek utforskade hon en innovativ metod för att modellera det neurala fenomenet funktionsselektivitet. Funktionsselektivitet är idén att neuroner är inställda för att svara på specifika och diskreta komponenter i den inkommande sensoriska informationen, och senare slås dessa individuella komponenter samman för att generera en övergripande uppfattning av det sensoriska landskapet. För att förstå hur hjärnan kan ta emot komplexa input men upptäcka individuella egenskaper, behandlade Rajan problemet som en dimensionsminskning istället för den typiska linjära modellen. Rajan visade, med hjälp av kvadratiska former som kännetecken för en stimulans, att de maximalt informativa variablerna kan hittas utan föregående antaganden om deras egenskaper. Detta tillvägagångssätt möjliggör opartiska uppskattningar av de mottagliga fälten för stimuli.

Återkommande modellering av neurala nätverk

Rajan arbetade sedan med David Tank för att visa att sekventiell aktivering av neuroner, en vanlig egenskap i arbetsminne och beslutsfattande, kan demonstreras när man utgår från neurala nätverksmodeller med slumpmässig anslutning. Processen, som kallas "Partial In-Network Training", används både som modell och för att matcha verkliga neurala data från den bakre parietal cortex under beteende. Istället för vidarekopplingar, fortplantar sig de neurala sekvenserna i deras modell genom nätverket via återkommande synaptiska interaktioner samt styrs av externa ingångar. Deras modellering lyfte fram potentialen som lärande kan härledas från mycket ostrukturerade nätverksarkitekturer. Detta arbete avslöjade hur känslighet för naturliga stimuli uppstår i neuroner, hur denna selektivitet påverkar sensorimotorisk inlärning och hur de neurala sekvenser som observeras i olika hjärnregioner härrör från minimalt plastiska, till stor del oordnade kretsar – publicerade i Neuron .

Karriär och forskning

I juni 2018 blev Rajan biträdande professor vid Institutionen för neurovetenskap och Friedman Brain Institute vid Icahn School of Medicine vid Mount Sinai . Som huvudutredare för Rajan Lab för hjärnforskning och AI i NY (BRAINY), fokuserar hennes arbete på integrativa teorier för att beskriva hur beteende uppstår ur den samarbetande aktiviteten av flerskaliga neurala processer. För att få insikt i grundläggande hjärnprocesser som inlärning, minne, multitasking eller resonemang, utvecklar Rajan teorier baserade på neurala nätverksarkitekturer inspirerade av biologi samt matematiska och beräkningsramverk som ofta används för att extrahera information från neurala och beteendedata . Dessa teorier använder neurala nätverksmodeller som är tillräckligt flexibla för att rymma olika nivåer av biologiska detaljer på neuronala, synaptiska och kretsnivåer.

Hon använder ett tvärvetenskapligt tillvägagångssätt som ger kritiska insikter i hur neurala kretsar lär sig och utför funktioner, allt från arbetsminne till beslutsfattande, resonemang och intuition, vilket sätter henne i en unik position för att främja vår förståelse av hur viktiga kognitionshandlingar fungerar. . Hennes modeller är baserade på experimentella data (t.ex. kalciumavbildning , elektrofysiologi och beteendeexperiment) och på nya och befintliga matematiska och beräkningsramverk härledda från maskininlärning och statistisk fysik . Rajan fortsätter att tillämpa återkommande neurala nätverksmodelleringar på beteende- och neurala data. I samarbete med Karl Deisseroth och hans team vid Stanford University avslöjade sådana modeller att kretsinteraktioner inom den laterala habenulan , en hjärnstruktur som är inblandad i aversion, kodade upplevelseegenskaper för att styra beteendeövergången från aktiv till passiv coping – arbete publicerat i Cell .

2019 var Rajan en av tolv utredare som fick finansiering från National Science Foundation (NSF) genom dess deltagande i Vita husets hjärnforskning genom Advancing Innovative Neurotechnologies (BRAIN) Initiative . Samma år tilldelades hon också ett NIH BRAIN Initiative-anslag (R01) för teorier, modeller och metoder för analys av komplexa data från hjärnan. Från och med 2020 blev Rajan medledare för Computational Neuroscience Working Group , en del av National Institutes of Healths Interagency Modeling and Analysis Group ( IMAG).

2022 befordrades Rajan till docent med anställning vid institutionen för neurovetenskap och Friedman Brain Institute vid Icahn School of Medicine vid Mount Sinai.

Pris och ära

  • Next Generation Leaders, Allen Institute for Brain Science (2021)
  • National Science Foundation (NSF) CAREER Award (2021)
  • Harold & Golden Lamport Basic Research Award (2021)
  • Friedman Brain Institute Research Scholars Award från Dyal Foundation (2020)
  • Friedman Brain Institute Research Scholars Award från DiSabato Family (2019)
  • Sloan Research Fellowship in Neuroscience (2019)
  • Mindlin Foundation 1Tweet1P Award, Neuroscience meets Graphic Novel (2018)
  • Understanding Human Cognition Scholar Award från James McDonnell Foundation (2016)
  • Visiting Research Fellowship, Janelia Research Campus , Howard Hughes Medical Institute (2016)
  • Brain and Behavior Foundation (tidigare NARSAD) Young Investigator Award (2015-2017)
  • Lektorat, Institutionen för molekylärbiologi och Lewis-Sigler Institute for Integrative Genomics, Princeton University for Methods and Logic in Quantitative Biology (2011-2013)
  • Bidrag från Organisation for Computational Neurosciences (OCNS) (2011)
  • Sloan-Swartz Teoretical Neuroscience Postdoc Fellowship (2010-2012)
  • Pulin Sampat Memorial Teaching Award, Brandeis University (2004)
  • Tata Institute of Fundamental Research Junior Research Fellowship (2001-2002)

Välj publikationer

Hämtad från " https://en.wikipedia.org/w/index.php?title=Kanaka_Rajan&oldid=1141655407 "