Modélisation de la croissance des neurones pendant l'embryogénèse comme des arbres dynamiques auto-actifs

Models of neuronal growth duringembryogenesis as self-interacting dynamical trees

• Auteur / Autrice : Marc-Éric Perrin
• Direction : Thomas Lecuit, Jean-François Rupprecht
• Type : Projet de thèse
• Discipline(s) : Biologie-Santé - Spécialité Biologie du Développement
• Date : Inscription en doctorat le 20/09/2021
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Sciences de la Vie et de la Santé (Marseille)
• Partenaire(s) de recherche : Laboratoire : IBDM - Institut de Biologie du Développement de Marseille

Mots clés

Mots clés libres

Morphogénèse par branchement

Neurones dendritiques

Modélisation stochastique

Cytosquelette d'actine

Branching Morphogenesis

Dendritic Neurons

Stochastic Modelling

Actin Cytoskeleton

Résumé

Les neurones adoptent des réseaux dynamiques ramifiés parmi les plus complexes de la nature. Ce projet vise à comprendre comment des formes régulières de neurones peuvent émerger d'un processus de croissance ramifiée qui semble essentiellement stochastique. L'idée est de modéliser les neurones comme des arbres dendritiques caractérisés par un ensemble limité de paramètres dynamiques comprenant la fréquence et l'emplacement des ramifications, les taux de croissance et de rétrécissement, les fréquences de commutation entre croissance et rétrécissement. Sur la base des premiers principes et des données expérimentales, nous nous attendons à ce que ces taux ne soient pas constants et qu'ils soient fonction de la longueur des branches, permettant ainsi l'émergence d'un état stable de la longueur des branches. Nous cherchons à comprendre comment les paramètres stochastiques de la dynamique des branches sous-tendent l'émergence des neurones dendritiques de classe I et de classe IV à partir d'embryons de drosophile qui ont des morphologies différentes en ce qui concerne le nombre, la longueur et l'ordre des branches. Pour ce faire, nous développerons un modèle théorique et computationnel de la dynamique des branches qui permettra de récapituler différents phénotypes neuronaux induits par des mutants et des perturbations médicamenteuses.

Neurons adopt among the most complex dynamical branched networks in Nature. This project aims at deciphering how regular neuronal shape patterns can emerge from a branching growth process that appears mostly stochastic. The idea is to model neurons as dendritic trees characterized by a limited set of dynamical parameters including branching frequency and location, growth and shrinkage rates, switching frequencies between growth and shrinkage. Based on first principles as well as experimental data, we expect these rates not to be constant, and to be a function of branch length, thereby allowing for steady state branch length to emerge. We seek to understand how stochastic parameters of branch dynamics underly the emergence of class I and class IV dendritic neurons from Drosophila embryos that have different morphologies with respect to branch numbers, length and order. To this end we will develop a theoretical and computational model of branch dynamics that will enable to recapitulate different mutant and drug-perturbation-induced neuronal phenotypes.