La complexité cachée des réseaux de neurones biologiquement réalistes : propriétés émergentes et comportements dynamiques

Hidden complexity in biologically inspired neural networks : emergent properties and dynamical behavior

• Auteur / Autrice : Jules Bouté
• Direction : Alain Destexhe
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 19/09/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Signalisations et réseaux intégratifs en biologie (Le Kremlin-Bicêtre, Val-de-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Institut des neurosciences Paris-Saclay (Gif-sur-Yvette, Essonne ; 2015-....)
• Partenaire(s) de recherche : référent : Université Paris-Saclay. Faculté de médecine (Le Kremlin-Bicêtre, Val-de-Marne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Life Sciences and Health (2020-….)
• Jury : Président / Présidente : Antoine Chaillet
• Jury : Examinateurs / Examinatrices : Sasha Van Albada, Serafim Rodrigues, Bruno Cessac
• Jury : Rapporteurs / Rapporteuses : Sasha Van Albada, Serafim Rodrigues

Mots clés

Mots clés contrôlés

Modèles neurologiques

Modèle intègre-et-tire

Structures dissipatives

Réseaux neuronaux (physiologie)

Liapounov, Exposants de

Mots clés libres

Neuroscience computationnelle

Systèmes dynamiques

Modélisation

Exposants de Lyapunov

Dissipation

Dynamical system

Computational neuroscience

Modelization

Lyapunov exponents

Dissipation

Résumé

Cette thèse étudie la dynamique neuronale pendant l'éveil attentif, en se concentrant spécifiquement sur le type de dynamique "asynchrone et irrégulière" (AI) observée dans le cortex cérébral. Cette recherche vise à mieux comprendre les comportements des réseaux neuronaux, en mettant l'accent sur deux modèles : le modèle « Adaptive Exponential » (AdEx) « integrate and fire » et le modèle Hodgkin-Huxley (HH), avec un accent particulier sur le modèle AdEx. La thèse met en évidence des différences intrigantes entre des réseaux neuronaux apparemment similaires. Dans une première partie, elle met en lumière la façon dont les réseaux neuronaux répondent aux stimuli externes, en particulier dans le contexte de l'épilepsie, en examinant pourquoi certains systèmes contrôlent et éteignent l'entrée paroxystique alors que d'autres la reproduisent et la propagent. Dans une seconde partie, la thèse explore comment des réseaux de neurones AdEx ou HH faiblement connectés peuvent présenter des états AI de deux manières distinctes : des états AI auto-entretenus (Self-sustained) ou des états AI nécessitant une entrée externe (Driven).Pour élucider ces différences, une combinaison de techniques classiques de traitement du signal, d'analyse structurelle de la configuration du réseau et d'outils de systèmes dynamiques - y compris les exposants de Lyapunov et la dissipation du système - est employée. L'étude utilise également des modèles de champ moyen des réseaux AdEx pour comprendre comment les variantes Self-sustained et Driven se manifestent à un niveau global. L'exploration de ces propriétés et de ces variations nous permet de mieux comprendre les propriétés émergentes complexes et les comportements dynamiques distincts qui existent au sein des réseaux de neurones biologiques apparemment similaires.

This thesis investigates the neural dynamics during attentive wakefulness, specifically focusing on the "asynchronous and irregular" (AI) type of dynamics observed in the cerebral cortex. The research aims to gain a deeper understanding of neural network behavior, with a primary emphasis on two models: the Adaptive Exponential (AdEx) integrate and fire model, and the Hodgkin-Huxley (HH) model, with a particular focus on the AdEx model. The thesis uncovers intriguing differences among seemingly similar neural networks. In a first part, it will shed light on how neural networks respond to external stimuli, particularly in the context of epilepsy, examining why certain systems control and kill the paroxysmal input while others reproduce and propagate it.In a second part, the thesis explores how sparsely connected networks of AdEx or HH neurons can exhibit AI states in two distinct ways: self-sustained AI states, or AI states requiring external input (Driven). To unravel those differences, a combination of classical signal processing techniques, structural analysis of the configuration of the network, and dynamical systems tools - including Lyapunov exponents and system dissipation - are employed. The investigation also makes use mean-field models of AdEx networks to comprehend how self-sustained and driven variants manifest at a global level.Exploring these properties and variations enhances our understanding of the complex emergent properties and distinct dynamical behavior that exist within apparently similar biological neural networks.