Dynamique des réseaux neuronaux

Dynamics of neuronal networks

• Auteur / Autrice : Anirudh Kulkarni
• Direction : Vincent Hakim
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance le 28/09/2017
• Etablissement(s) : Paris 6
• Ecole(s) doctorale(s) : École doctorale Physique en Île-de-France (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de physique statistique de l'École normale supérieure (Paris)
• Jury : Président / Présidente : Alain Destexhe
• Jury : Examinateurs / Examinatrices : Georges Debrégeas, Delphine Salort
• Jury : Rapporteurs / Rapporteuses : Aristides Arrenberg, Alessandro Torcini

Mots clés

Mots clés contrôlés

Oscillations

Physique statistique

Réseaux neuronaux (physiologie)

Mots clés libres

Réseaux de neurones

Modèles de taux

Oscillations

Poisson zèbre

Adaptation

Neurosciences computationnelles

Networks of neurons

Computational neuroscience

Rate models

Résumé

Dans cette thèse, nous étudions le vaste domaine des neurosciences à travers des outils théoriques, numériques et expérimentaux. Nous étudions comment les modèles à taux de décharge peuvent être utilisés pour capturer différents phénomènes observés dans le cerveau. Nous étudions les régimes dynamiques des réseaux couplés de neurones excitateurs (E) et inhibiteurs (I): Nous utilisons une description fournie par un modèle à taux de décharge et la comparons avec les simulations numériques des réseaux de neurones à potentiel d'action décrits par le modèle EIF. Nous nous concentrons sur le régime où le réseau EI présente des oscillations, puis nous couplons deux de ces réseaux oscillants pour étudier la dynamique résultante. La description des différents régimes pour le cas de deux populations est utile pour comprendre la synchronisation d'une chaine de modules E-I et la propagation d'ondes observées dans le cerveau. Nous examinons également les modèles à taux de décharge pour décrire l'adaptation sensorielle: Nous proposons un modèle de ce type pour décrire l'illusion du mouvement consécutif («motion after effect», (MAE)) dans la larve du poisson zèbre. Nous comparons le modèle à taux de décharge avec des données neuronales et comportementales nouvelles.

In this thesis, we investigate the vast field of neuroscience through theoretical, numerical and experimental tools. We study how rate models can be used to capture various phenomena observed in the brain. We study the dynamical regimes of coupled networks of excitatory (E) and inhibitory neurons (I) using a rate model description and compare with numerical simulations of networks of neurons described by the EIF model. We focus on the regime where the EI network exhibits oscillations and then couple two of these oscillating networks to study the resulting dynamics. The description of the different regimes for the case of two populations is helpful to understand the synchronization of a chain of E-I modules and propagation of waves observed in the brain. We also look at rate models of sensory adaptation. We propose one such model to describe the illusion of motion after effect in the zebrafish larva. We compare this rate model with newly obtained behavioural and neuronal data in the zebrafish larva.