Connectivité Hétérogène pour les neurosciences

Heterogeneous connectivity

• Auteur / Autrice : Stefano Spaziani
• Direction : Patricia Reynaud-Bouret, Ingrid Bethus
• Type : Projet de thèse
• Discipline(s) : Doctorat mathematiques
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées (Nice ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : LJAD - Laboratoire Jean-Alexandre Dieudonné

Mots clés

Mots clés libres

Statistiques

Neuroscience

Machine Learning

Statistics

Neuroscience

Machine Learning

Résumé

Il existe de nombreuses situations où l’on cherche à inférer un graphe d’interaction à partir de données sur chacun de ses nœuds et de voir son évolution au cours du temps. Cependant ces données sont généralement du même type. Or il existe des cas d’importance où les données sont hétérogènes. En particulier, il se peut que certains nœuds aient des données de type événement quand d’autres ont des données beaucoup plus continues d’évolution lente. Il se peut que le graphe lui-même soit associé à des comportements différents. Le but de cette thèse est de développer une nouvelle méthode statistique qui s’adapte à cette hétérogénéité. Ces méthodes trouvent leur origine dans la connectivité fonctionnelle entre zones cérébrales. En neuroscience, les enregistrements classiques livrent des données de différents types : - événement : successions des temps d’émission de potentiel d’action (spikes) par différents neurones - évolution lente : un signal électrique continu, appelé « potentiel de champ » (LFP), émis par une zone cérébrale. - comportement de l’animal (chemin parcouru dans un labyrinthe par exemple). Nous avons pu montrer que le chemin parcouru par un rat peut être inféré par la connectivité fonctionnelle entre spikes. Nous voulons aller plus loin et étudier les interactions entre spikes et LFP dans différentes zones cérébrales pour reconstruire un graphe hétérogène dont on pourra suivre l’évolution au cours de l’apprentissage. Biologiquement, via l’inactivation de neurones bien spécifiques, nous allons tester si nos prédictions sont vérifiées.

There are many situations where one tries to infer an interaction graph from data on each of its nodes and see its evolution over time. However, these data are generally of the same type. However, there are important cases where the data are heterogeneous. In particular, some nodes may have event-type data while others have much more continuous data of slow evolution. The graph itself may be associated with different behaviours. The goal of this thesis is to develop a new statistical method that adapts to this heterogeneity. These methods have their origin in the functional connectivity between cerebral zones. In neuroscience, classical records deliver data of different types : - event: successions of action potential emission times (spikes) by different neurons - slow evolution: a continuous electrical signal, called 'field potential' (FP), emitted by a brain area. - behaviour of the animal (the path it takes in a maze, for example). We have been able to show that the path travelled by a rat can be inferred by the functional connectivity between spikes. We want to go further and study the interactions between spikes and LFPs in different cerebral zones in order to reconstruct a heterogeneous graph that can be followed during learning. Biologically, through the inactivation of very specific neurons, we will test if our predictions are verified.