Caractérisation gène-cerveau-comportement du développement et de l'entraînement des fonctions exécutives : une approche intégrative

Gene-brain-behavior characterization of executive function development and training : an integrative approach

• Auteur / Autrice : Iris Menu
• Direction : Arnaud Cachia
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences cognitives
• Date : Soutenance le 10/10/2022
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Cognition, comportements, conduites humaines (Paris ; 1996-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de psychologie du développement et de l'éducation de l'enfant (1983-... ; Paris)
• Jury : Président / Présidente : Grégoire Borst
• Jury : Examinateurs / Examinatrices : Grégoire Borst, Christine Assaiante, Renaud Jardri, Rogier Kievit, Julia Karbach
• Jury : Rapporteurs / Rapporteuses : Christine Assaiante, Renaud Jardri

Mots clés

Mots clés contrôlés

Apprentissage automatique

Modèles d'équations structurales

Constructivisme (psychologie)

Stimulation cognitive

Contrôle (psychologie)

Fonctions exécutives (neuropsychologie)

Mots clés libres

Fonctions exécutives

Multiniveaux

Contrôle inhibiteur

Entraînement

Développement

Modèles d'équations structurelles

Analyses en réseau

Machine learning

Executive functions

Multilevel

Inhibitory control

Training

Development

Structural equation modeling

Network analysis

Machine learning

Résumé

Plusieurs facteurs, à différentes échelles, soutiennent l'apprentissage : moléculaire (génétique), cérébral (réseaux cérébraux), psychologique et environnemental (éducation, statut socio-économique, culture...). En apportant un éclairage sur les capacités et les contraintes du cerveau apprenant, la psychologie et les neurosciences cognitives peuvent contribuer à étudier les mécanismes multiniveaux qui sous-tendent les apprentissages. Ces approches nécessitent une approche interdisciplinaire combinant la psychologie du développement et les neurosciences cognitives de l'éducation pour concevoir les interventions et interpréter leurs résultats, mais aussi les mathématiques appliquées pour développer et appliquer des algorithmes pour le traitement et l'analyse approfondie des données multi-niveaux (gène-cerveau-comportement). L'objectif de cette thèse était d'étudier les effets de l'âge et de l'entraînement cognitif sur l'organisation à différents niveaux des fonctions exécutives (FE): cognitif (Etudes 1, 2 & 3), cérébral (Etudes 4 & 5) et génétique (Etude 6). Ces études se sont appuyées sur le projet APEX financé par l'ANR, un programme d'entraînement des FEs mené chez des enfants (9-10 ans) et des adolescents (16-17 ans), avec des données multi-niveaux (ADN, IRM anatomique/fonctionnelle/de diffusion, évaluations cognitives) mesurées avant et après 5 semaines d'entraînement sur tablette tactile. Dans l'Etude 1, nous avons utilisé les méthodes d'analyse en réseau pour analyser l'organisation des FEs au niveau cognitif chez les enfants et les adolescents, avant et après l'entraînement cognitif. Dans l'Etude 2 , nous avons étudié plus finement les changements développementaux de l'organisation des FEs sur un échantillon indépendant de 1019 participants âgés de 7,8 à 15,3 ans en utilisant trois méthodes d'analyses complémentaires : l'analyse factorielle confirmatoire, l'analyse en réseau et l'analyse de réseau latent. Ces deux études confirment que 1) le contrôle inhibiteur (CI) est initialement fortement connecté aux deux autres FE (mise à jour de la mémoire de travail et flexibilité cognitive) puis se sépare des autres FE (différenciation inter- et intra-FE) ; 2) les connexions de la mise à jour de la mémoire de travail augmentent fortement à partir de 12 ans tandis qu'une diminution constante de la flexibilité cognitive peut être observée au cours du développement. Dans l'Etude 3, nous avons utilisé des analyses de modèle d'équation structurelle (SEM) pour examiner les effets de transfert après un entraînement cognitif. Nous avons constaté que 1) les changements dans la mise à jour de la mémoire de travail et la flexibilité cognitive dépendent des niveaux initiaux de chacune de ces FEs mais aussi des niveaux initiaux des autres FEs et 2) les enfants et les adolescents dont les capacités initiales aux FEs sont plus faibles progressent davantage que ceux dont les capacités initiales sont plus élevées. Dans l'étude 4, nous avons utilisé des algorithmes de Machine Learning (ML) pour prédire, à partir d'IRM anatomiques, les régions cérébrales impliquées dans le fonctionnement exécutif et dans l'entraînement cognitif. Dans l'étude 5, nous avons ensuite utilisé des algorithmes de ML pour prédire l'âge du cerveau à partir d'IRM anatomiques. Sur la base de la différence entre l'âge chronologique réel et l'âge cérébral prédit avant et après l'entraînement cognitif, nous avons testé l'hypothèse selon laquelle l'entraînement pourrait accélérer le développement. Enfin, dans l'étude 6, nous avons utilisé un modèle SEM multiniveau pour étudier les facteurs cognitifs, cérébraux et génétiques contribuant au progrès cognitif après un entraînement. Nous avons constaté que les progrès en CI étaient influencés par des facteurs à différents niveaux, à la fois cognitifs (niveau initial de CI), cérébraux (volume initial et changement de volume du cortex cingulaire antérieur gauche et du putamen gauche) et génétiques (score de risque polygénique des FEs).

Several factors, at different scales, support learning: molecular (genetic), cerebral (neural networks), psychological and environmental (education, socioeconomic status, culture...). Psychology and cognitive neuroscience can help to investigate the multi-scale mechanisms underlying learning by providing insights into the capacities and constraints of the learning brain. These approaches require an interdisciplinary approach combining developmental psychology and educational cognitive neuroscience to design the interventions and interpret their findings but also applied mathematics to develop and implement algorithms for the processing and in-depth analysis of the multi-scale (gene-brain-behavior) data. The aim of this PhD was to investigate the effects of age and cognitive training on the organization of executive functions (EF) changes at different levels: cognitive (Study 1, 2 & 3), cerebral (Study 4 & 5) and genetic (Study 4). These studies were based on the ANR-funded APEX project, a large computerized executive training program carried out in children (9-10 years) and adolescents (16-17 years), with multilevel data (DNA SNP, anatomical/functional/diffusion MRI, cognitive evaluations) measured before and after 5 weeks of training on tactile tablets. In Study 1, we used the network analysis framework to analyze EFs organization at the cognitive level in children and adolescents, before and after cognitive training. In Study 2, we further investigated the developmental changes of EF organization on an independent and larger sample of 1019 participants aged 7.8 to 15.3 years from the Texas Twin Project using three complementary analytical methods: confirmatory factorial analysis, network analysis and latent network analysis. These two studies support that 1) inhibitory control (IC) is initially strongly connected to the two other EFs (working memory updating and cognitive flexibility) and then separates from the other EFs (inter- and intra-EF differentiation); 2) connections of working memory updating strongly increase from 12 years old while a constant decrease in cognitive flexibility can be observed during development. In Study 3, we used structural equation model (SEM) analyses to scrutinize the transfer effects during cognitive training. We found that 1) changes in working memory updating and cognitive flexibility depend on initial levels in each of these EFs but also on initial levels in the other EFs and 2) children and adolescents with lower initial EF abilities progress more than those with higher initial abilities. In Study 4, we used whole-brain and Machine Learning (ML) algorithms to predict the brain regions implicated in EFs performance and in EFs training receptivity. In Study 5, we used ML algorithms to predict the brain age from structural MRI. Based on the difference between chronological age and predicted brain age before and after the cognitive training, we tested the hypothesis that training could accelerate development. Finally, in Study 6, we used a multilevel SEM model to investigate the cognitive, cerebral, and genetic factors contributing to training gains. We found that IC gains was influenced at different levels, including cognitive (initial IC level), cerebral (pretest and training-related change of the left anterior cingulate cortex volume) and genetic (EF polygenic risk score) factors.