Abstract
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 computationnelles.
Alexandre Lainé
Phd candidate in Computational Neuroscience
During my PhD, I am focusing on spiking neural networks with heterogeneous delays.