Modélisation des interactions horizontales dans le cortex visuel primaire.

Modeling horizontal interactions in primary visual cortex

• Auteur / Autrice : Faycal Rezaig
• Direction : Alain Destexhe
• Type : Projet de thèse
• Discipline(s) : Sciences de la vie et de la santé
• Date : Inscription en doctorat le 06/03/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Signalisations et réseaux intégratifs en biologie
• Partenaire(s) de recherche : Laboratoire : Institut des Neurosciences Paris-Saclay
• Partenaire(s) de recherche : référent : Université Paris-Saclay. Faculté de médecine (Le Kremlin-Bicêtre, Val-de-Marne ; 2020-....)

Mots clés

Mots clés libres

Modélisation

Champ moyen

Cortex visuel primaire

Modeling

Mean field

Primary visual cortex

Résumé

Les connexions horizontales sont extrêmement abondantes dans le cortex cérébral, et avec les connexions locales, elles constituent la majorité des synapses excitatrices reçues par un neurone cortical donné, tandis que les entrées externes (provenant du thalamus) ne représentent que quelques pourcents des synapses. Malgré cette dominance des connexions horizontales et locales, leur rôle est mal compris. Le but de ce projet de thèse est de comprendre, à l'aide de modèles informatiques, le rôle des connexions horizontales dans le traitement de l'information visuelle dans le cortex visuel primaire (V1). Nous construirons des modèles informatiques basés sur des expériences réalisées dans le laboratoire de Diego Contreras (DCL) à l'université de Pennsylvanie (U de Penn), où le paradigme consiste à enregistrer dans plusieurs colonnes de V1, tout en présentant différents types d'entrées visuelles à l'animal. Les expériences peuvent contrôler l'"état cérébral" de l'animal, allant des états asynchrones aux états oscillatoires (oscillations gamma). En modulant de manière indépendante le stimulus et l'état du réseau, les expériences vont cartographier la relation entre l'état du réseau et la propagation de l'information visuelle à travers les colonnes du cortex visuel, via les connexions horizontales. Des modèles informatiques seront construits à partir de ces données expérimentales, ainsi que des informations anatomiques détaillées disponibles pour V1 chez les chats et les furets. Nous utiliserons des modèles de réseaux de colonnes corticales, ou de multiples colonnes organisées en 2D, et connectées via des connexions horizontales. Comme les données permettent un contrôle indépendant de l'état du réseau et de l'entrée horizontale, elles fourniront des informations sans précédent pour construire des modèles informatiques précis. Les modèles seront contraints en fonction de mesures de potentiels post-synaptiques, de propriétés de décharge neuronale, de corrélations neuronales et de la distribution d'entrée synaptique dans le cortex sous deux états de réseau. Les modèles permettront de comprendre de manière paramétrique le rôle des propriétés cellulaires et de réseau, et de générer des prédictions expérimentalement testables. La modélisation sera effectuée progressivement en quelques étapes. Dans un premier temps, nous utiliserons des modèles de réseaux existants pour les états d'asynchronisme et d'oscillation gamma, et nous ajusterons ces modèles aux expériences. L'objectif ici est de reproduire l'état du réseau aussi précisément que possible, de sorte qu'il puisse être utilisé comme une colonne corticale de référence plus tard. Dans un second temps, le modèle sera ajusté aux réponses évoquées, également basées sur des expériences. Reproduire la réponse évoquée par la même entrée dans différents états du réseau est une indication très forte que le modèle fournit des prévisions correctes. Dans un troisième temps, nous étendrons le modèle à plusieurs colonnes corticales. Ici, nous utiliserons des expériences où une colonne est enregistrée pendant qu'une autre colonne reçoit l'entrée visuelle, de sorte que la réponse de la colonne enregistrée est uniquement due aux connexions horizontales. Ici encore, le modèle sera soigneusement comparé aux expériences pour reproduire les différentes réponses observées pour différents états du réseau et entrées visuelles. Un modèle de champ moyen sera conçu à partir du modèle à spikes, afin de nous permettre de nous étendre à de grandes échelles. À la fin, nous visons à obtenir un modèle à plusieurs colonnes de V1 avec des interactions horizontales correctes et une dépendance de l'état du réseau. Nous tenterons également de généraliser ces résultats pour les extrapoler vers d'autres zones corticales, et obtenir une théorie générale du traitement de l'information dans le cortex cérébral via les connexions horizontales. Dans ce projet, il y aura un échange continu entre les expériences (au DCL) et la modélisation, le modèle formulera des prévisions qui seront directement testées au DCL, ce qui aboutira au raffinement du modèle. Cette boucle expérience-modèle sera utilisée pour obtenir un modèle qui correspond finement aux expériences. Cet échange entre les deux laboratoires sera soutenu par des visites entre les expérimentateurs et les modélisateurs computationnels. Enfin, si le temps le permet, nous identifierons également les paramètres critiques qui peuvent faire dérailler le système. Par exemple, un choix évident est d'altérer l'inhibition, ce qui peut entraîner un comportement aberrant qui sera testé expérimentalement (en activant ou en faisant taire (silencing) par optogénétique des neurones inhibiteurs, par exemple). Diverses drogues tels que l'alcool, le propofol ou les barbituriques altèrent également l'inhibition et ont également des effets importants sur la vision. La prédiction de ces effets peut être faite avec le modèle computationnel, et plus tard testée expérimentalement en utilisant les mêmes drogues.

Horizontal connections are extremely abundant in cerebral cortex, and with local connections, they constitute the majority of excitatory synapses received by a given cortical neuron, while external inputs (from thalamus) represent only a few percent of synapses. Despite this dominance of horizontal and local connections, their role is poorly understood. The goal of this thesis project is to understand, using computational models, the role of horizontal connections in the processing of visual information in primary visual cortex (V1). We will build computational models based on experiments realized in Diego Contreras lab (DCL) in U Penn, where the paradigm is to record in multiple columns in V1, while presenting different types of visual inputs to the animal. The experiments can control the 'brain state' of the animal, ranging from asynchronous states to oscillatory states (gamma oscillations). By modulating independently the stimulus and the state of the network, the experiments will map the relation between network state and the propagation of visual information across columns in visual cortex, via horizontal connections. Computational models will be built based on these experimental data, and detailed anatomical information available for V1 from cats and ferrets. We will use network models of cortical columns, or multiple columns organized in 2D, and connected via horizontal connections. Because the data allow an independent control of network state and horizontal input, they will provide unprecedented information to build precise computational models. Models will be constrained based on measurements of postsynaptic potentials, spike output properties, neuronal correlation and the distribution of synaptic input in cortex under two network states. Models will allow to parametrically understand the role of cellular and network properties and generate experimentally testable predictions. The modeling will be performed gradually in a few steps. In a first step, we will use existing network models of asynchronous and gamma-oscillation states, and adjust these models to the experiments. The goal is here to reproduce the network state as precisely as possible, so that it can be used as a reference cortical column later. In a second step, the model will be adjusted to evoked responses, also based on experiments. Reproduding the response evoked by the same input in different network states is a very strong evidence that the model provides correct predictions. In a third step, we will extend the model to multiple cortical columns. Here, we will use experiments where one column is recorded while other column receives the visual input, therefore the response to the recorded column is uniquely due to horizontal connections. Here again, the model will be carefully compared to experiments to reproduce the different responses observed for different network states and visual inputs. A mean-field model will be designed from the spiking model, in order to allow us to extend to large scales. At the end, we aim to obtain a multi-column model of V1 with correct horizontal interactions, and dependence on network state. We will also attempt to generalize these findings to extrapolate to other cortical areas, and obtain a general theory of information processing in cerebral cortex via horizontal connections. In this project, there will be a continuous exchange between experiments (in DCL) and modeling, the model will formulate predictions that will be directly tested in DCL, which will result in refinement of the model. This experiment-model loop will be used to obtain a model that finely matches the experiments. This exchange between the two labs will be supported by visits between experimentalists and computational modelers. Finally, if time permits, we will also identify critical parameters which can make the system go wrong. For example, an obvious choice is to alter inhibition, which may result in aberrant behavior which will be tested experimentally (by opto-genetically activating or silencing inhibitory neurons for example). Various drugs such as alcohol, propofol or barbiturates alter inhibition and also have strong effects on vision. The prediction of such effects can be done with the computational model, and later tested experimentally using the same drugs. This thesis is financed by the ImpactCom project, and is supported by the National Science Foundation (NSF, USA) and Agence Nationale de la Recherche (ANR, France). Contact : [e-mail]