Modelisation de l'interaction neurone-astrocyte : application au traitement du signal et des images

Modeling of neuron-astrocyte interaction : application to signal and image processing

• Auteur / Autrice : Jhunlyn Lorenzo
• Direction : Sabir Jacquir, Stéphane Binczak
• Type : Thèse de doctorat
• Discipline(s) : Instrumentation et informatique de l'image
• Date : Soutenance le 27/09/2022
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Imagerie et Vision Artificielle (ImVia) (Dijon)
• Partenaire(s) de recherche : Etablissement de préparation : Université de Bourgogne (1970-....)
• Jury : Président / Présidente : Pierre Gouton
• Jury : Examinateurs / Examinatrices : Elisabeth Thomas, Bruno Cessac, Binbin Xu
• Jury : Rapporteurs / Rapporteuses : Laure Buhry, Alexandre Vidal

Mots clés

Mots clés contrôlés

Apprentissage profond

Synapses

Neurones

Astrocytes

Mots clés libres

Astrocyte

Neurone

Réseaux impulsionnels

Synapse tripartite

Propagation des ondes calciques.

Plasticité synaptique

Astrocyte

Neuron

Spiking networks

Tripartite synapse

Calcium wave propagation

Synaptic plasticity

Résumé

Les concepts de synapse tripartite et d'onde calcique ont motivé nos recherches afin d'explorer la dynamique des astrocytes en tant que composants actifs des circuits cérébraux. Les astrocytes ont été considérés comme des cellules passives dont la fonction principale est le soutien métabolique et structurel des neurones. Cependant, des mesures physiologiques récentes suggèrent que les astrocytes modulent la communication neuronale, renforcent l'efficacité synaptique, favorisent la synchronisation et l'homéostasie. Inspirée par ces fonctions, cette recherche vise à proposer de nouveaux paradigmes de réseaux de neurones artificiels. Il s'agit d'intégrer des astrocytes en tant qu'objets computationnels dans des réseaux de neurones impulsionnels artificiels et à terme utiliser ces réseaux neurones-astrocytes pour des applications en deep learning. D'abord, nous avons modélisé mathématiquement et numériquement l'interaction biologique neurone-astrocyte - de la liaison tripartite aux réseaux neurone-astrocyte. Les résultats suggèrent que la connectivité et l'hétérogénéité des astrocytes déterminent si les astrocytes améliorent ou nuisent aux activités neuronales. Nous avons ensuite conçu une architecture de réseau neurones-astrocytes pour la reconnaissance d'images en utilisant des modéles de neurones bio-inspirés. Nous avons entraîné le réseau à reconnaître les caractéristiques et à classer les chiffres manuscrits en utilisant un algorithme d'apprentissage non supervisé et de la plasticité fonction du temps d'occurrence des impulsions. Nos résultats montrent que les réseaux mixtes neurones-astrocytes présentent des avantages par rapport aux seuls réseaux de neurones, tels qu'un apprentissage plus rapide, une plus grande précision et un compromis biais-variance amélioré. Cependant, le réseau neurones-astrocytes a un coût computationnel élevé en terme de simulation. Ce coût est dû à la complexité des interactions et des dynamiques en jeu. Par conséquent, nous avons proposé une abstraction dendritique supportant des calculs spécifiques au niveau des dendrites pour un apprentissage plus rapide. Nous avons analysé la propagation du signal le long des dendrites et déterminé qu'un seul neurone effectue des calculs complexes, précédemment attribués aux seuls réseaux neuronaux, en suivant un schéma multicouche-multiplexeur. Nous avons proposé que les abstractions dendritiques connectées selon ce schéma puissent favoriser un apprentissage synaptique plus rapide, indépendamment des signaux de rétropropagation du soma. En conclusion, nos travaux de recherche sont parmi les premiers à considérer l'implémentation des astrocytes comme éléments de calcul dans les réseaux de neurones artificiels.

The introduction of the tripartite synapse and the discovery of calcium wave propagation motivated our research to explore the potential of astrocytes as active components in brain circuits. For decades, astrocytes have been considered passive cells whose primary function is metabolic and structural support to neurons; however, recent physiological measurements suggest that astrocytes modulate neural communication, strengthen synaptic efficacy, enhance synchronization, and promote homeostasis. Inspired by these biological functions, this research aimed to implement astrocytes in artificial spiking networks for deep learning applications. First, we modeled the biological interaction between neurons and astrocytes ‒ from the tripartite connection to neuron-astrocyte networks. The results suggest that astrocytic connectivity and heterogeneity determine whether astrocytes would improve or impair neural activities. Then, we designed a spiking neuron-astrocyte network architecture for image recognition using simplified biologically inspired models. We trained the network to recognize features and classify handwritten digits using spike-timing-dependent plasticity and an unsupervised learning algorithm. Here, the astrocyte-mediated networks displayed advantages over neuron networks alone, such as faster learning, higher accuracy, and improved bias-variance tradeoff. One of the challenges in the study is the extended duration needed for training. Therefore, we proposed a dendritic abstraction supporting dendrite-specific computations for faster learning. We analyzed the signal propagation along a pyramidal neuron dendritic tree and determined that a single neuron performs more complex computations previously attributed only to neural networks by following a multilayer-multiplexer scheme. We proposed that dendritic abstractions connected in this scheme could promote faster synaptic updates independent of backpropagating signals from the soma. This research is one of the first attempts to implement astrocytes as computational elements in artificial networks.