Recent technological advances in neurobiology have paved the way for the recording of very large populations of neurons at the resolution of action potentials (spikes). They shed new light on the structure of neuronal activity, and in particular on the rich spatio- temporal structure of neuronal information. Current analysis methods are not yet adapted to this level of precision, and the aim of this thesis project is to develop new methods for analyzing neurobiological data that take into account some fundamental principles derived from computational neuroscience. The main objective is to bridge the gap between two classical approaches, the encoding and decoding of neural activity, in a self-consistent way, i.e. by achieving coherence between the way neurons encode information and the way it can be decoded.
To achieve this, the project will draw on a theoretical approach developed in our group, which allows us to formalize this consistency by deducing a measure of the efficiency of processing spikes. The analysis algorithm will be optimized by minimizing a cost function reflecting these principles. Existing encoding and decoding models, which we have already validated on neurophysiological data, will then be combined using this approach. By studying the role of principles such as the energy efficiency of neural processing and the consideration of physiological constraints, we will then be able to deduce the role of each of these principles in neural information by measuring changes in processing efficiency.
Ultimately, the aim is to develop new analysis methods enabling predictive links to be established between recorded multidimensional neural activity and functional hypotheses such as object detection or spatial navigation. This method will also enable us to test various hypotheses on the role of temporal precision in information processing. The risks associated with the innovative aspect of the project will be mitigated by the supervisors’ expertise in machine learning, neural modeling and computational neuroscience.
Les récentes avancées technologiques en neurobiologie ont ouvert la voie à l’enregistrement de très grandes populations de neurones à la résolution du potentiel d’action (PA). Elles apportent un éclairage nouveau sur la structure de l’activité neuronale, et en particulier sur la riche structure spatio-temporelle de l’information neuronale. Les méthodes d’analyse actuelles ne sont pas encore adaptées à ce niveau de précision et le but de ce projet de thèse est de développer de nouvelles méthodes d’analyse des données neurobiologiques qui prennent en compte des principes fondamentaux dérivés des neurosciences computationnelles. L’objectif principal est de combler le fossé entre deux approches classiques, l’encodage et le décodage de l’activité neuronale, d’une manière auto-consistante, c’est-à-dire en atteignant une cohérence entre la façon dont les neurones encodent l’information et la façon dont elle peut être décodée.
Pour ce faire, le projet s’appuiera sur une approche théorique développée dans notre groupe qui permet de formaliser cette cohérence en déduisant une mesure de l’efficacité du traitement des potentiels d’actions (PA). L’algorithme d’analyse sera optimisé en minimisant une fonction de coût reflétant ces principes. Des modèles d’encodage et de décodage existants, que nous avons déjà validés sur des données neurophysiologiques, seront alors combinés selon cette approche. En étudiant le rôle de principes tels que l’efficacité énergétique du traitement neuronal et la prise en compte des contraintes physiologiques, nous pourrons alors déduire le rôle de chacun de ces principes dans l’information neuronale en mesurant les changements dans l’efficacité du traitement.
À terme, l’objectif est de développer de nouvelles méthodes d’analyse permettant d’établir des liens prédictifs entre l’activité neuronale multidimensionnelle enregistrée et des hypothèses fonctionnelles telles que la détection d’objets ou la navigation spatiale. Cette méthode permettra également de tester différentes hypothèses sur le rôle de la précision temporelle dans le traitement de l’information. Les risques associés à l’aspect innovant du projet seront mitigés par l’expertise des encadrants en apprentissage automatique, modélisation neuronale et neurosciences computationnelle
Phd candidate in Computational Neuroscience
Aix-Marseille Université
Master in Neuroscience, 2024
Aix-Marseille Université