Modélisation computationnelle de certaines implications de la dopamine dans le cerveau à partir de données expérimentales : De la signalisation sub-cellulaire aux réseaux

Data-driven computational modelling for some of the implications of dopamine in the brain : From subcellular signalling to area networks

• Auteur / Autrice : Alexandre Foncelle
• Direction : Hugues Berry
• Type : Thèse de doctorat
• Discipline(s) : Informatique et neurosciences
• Date : Soutenance le 05/04/2018
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon (Lyon ; 2009-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
• Partenaire(s) de recherche : Laboratoire : LIRIS - Laboratoire d'Informatique en Image et Systèmes d'information (Rhône ; 2003-....) - Laboratoire d'InfoRmatique en Image et Systèmes d'information / LIRIS - Artificial Evolution and Computational Biology / BEAGLE
• Jury : Président / Présidente : Guillaume Beslon
• Jury : Examinateurs / Examinatrices : Hugues Berry, Guillaume Beslon, Philippe Faure, Krasimira Tsaneva-Atanasova, Hédi Soula
• Jury : Rapporteurs / Rapporteuses : Philippe Faure, Krasimira Tsaneva-Atanasova

Mots clés

Mots clés contrôlés

Dopamine

Plasticité neuronale

Biologie informatique

Mots clés libres

Biosicences

Dopamine

Neurone

Plasticité synaptique

Dépression

Modèle computationnel

Biosciences

Dopamine

Synaptic plasticity

Depression

Computational modelling

Résumé

Dans le cerveau, il est difficile de mettre au point des expériences avec un niveau de contrôle approprié à cause du haut niveau de connectivité. Pour traiter ce problème, les modèles mathématiques sont utilisés pour représenter le cerveau d’une façon plus compréhensible. En effet, les modèles mathématiques peuvent être plus pratiques que les expériences pour tester des hypothèses et chercher à extraire l’essence même du principe étudié, en le simplifiant. De plus, la modélisation computationnelle forme une branche spécifique de la modélisation mathématique, permettant de résoudre de gros calculs numériques. Dans cette thèse, j’ai utilisé la modélisation computationnelle à travers différentes approches pour étudier certaines régions cérébrales. Nous avons collaboré avec des neurobiologistes en appliquant nos modèles à des données expérimentales pour contribuer à mieux comprendre l’action de la dopamine, un neuromodulateur. J’ai étudié la diversité de l’action de la dopamine à trois échelles: la région cérébrale, le niveau cellulaire et le niveau moléculaire. La dopamine a un gros impact sur le cerveau et elle est principalement connue pour son implication dans le système de récompense. En effet, c’est une molécule associée à la prédiction de récompense et de punition. Peu de régions produisent de la dopamine et ces régions sont altérées par la maladie de Parkinson ou perturbées par la dépression. Pour la maladie de Parkinson, j’ai conçu un modèle de type taux de décharge pour reproduire l’activité neuronale des ganglions de la base. Ce modèle montre des réponses neuronales significativement différentes, entre la condition témoin et la condition parkinsonienne. Par ailleurs, avec un modèle de type Hodgin-Huxley prenant en compte la dynamique de l’ion potassium, j’ai pu appuyer l’hypothèse que la région cérébrale appelée l’habenula, lorsqu’elle est hyperactive, induirait la dépression. Cette dépression serait due à un déséquilibre de la concentration en potassium à cause d’une dysfonction de l’astrocyte (surexpression des canaux Kir4.1). Enfin, la dopamine est aussi impliquée dans la plasticité synaptique, un phénomène à la base de la mémoire. Je l’ai étudié avec un troisième modèle, prenant en compte plusieurs résultats expérimentaux relatifs à la plasticité en fonction du timing des potentiels d’action et de sa modulation.

In the brain, the high connectivity level makes it difficult to set up experiments with an appropriate level of control. To address that issue, mathematical models are used to represent the brain in a more comprehensive way. Easier than experiments to test hypotheses, mathematical models can extend them closer to reality and aim to extract the studied principle essence, by simplifying it. Computational modelling is a specific branch of mathematical modelling allowing to solve large numerical calculations. In this thesis, I used computational modelling to study brain parts through different approaches, all in collaboration with neurobiologists and applied to experimental data. A common framework is given by the goal of contributing to a picture of the action of the neuromodulator dopamine. I studied the diversity of dopamine's action at three different scales: the brain region, the cellular level and the molecular level. Dopamine has a large impact on the brain and it is mainly known for its rewarding dimension, it is, indeed, the molecule associated with reward prediction and punishment. Few regions in the brain produce dopamine and these regions are impaired in Parkinson's disease or disrupted in major depressive disorders. Concerning Parkinson's disease, I designed a firing-rate model to fit experimental basal ganglia neural activity, which disclosed significant changes of the neural response between control and Parkinsonian condition. Furthermore, with a Hodgkin-Huxley model accounting for the dynamics of the potassium ion, I could support the hypothesis that the brain region called lateral habenula hyper-activates and induces major depressive disorders because of unbalanced potassium concentration due to astrocyte dysfunction (Kir4.1 channels overexpression). Dopamine is also involved in synaptic plasticity, a phenomenon at the basis of memory that I explored with a third model accounting for several experimental results pertaining to spike-timing-dependent plasticity and its modulation.