Modélisation de la dynamique des circuits neuronaux dans l'apprentissage basé sur la récompense et la recherche d'information à l'aide de données cérébrales multimodales

Modeling Neural Circuit Dynamics in Reward-Based Learning and Information Seeking Using Multimodal Brain Data

• Auteur / Autrice : Nicole Kolodziej
• Direction : Andrea Brovelli, Lorenzo Fontolan
• Type : Projet de thèse
• Discipline(s) : Biologie-Santé - Spécialité Neurosciences
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Sciences de la Vie et de la Santé
• Partenaire(s) de recherche : Laboratoire : INMED - Institut de Neurobiologie de la Mediterranée

Mots clés

Mots clés libres

Modélisation

Circuits neuronaux

Apprentissage

Modeling

Neural Circuit Dynamics

Learning

Résumé

Ce projet de doctorat vise à explorer les mécanismes neuronaux sous-jacents à l'apprentissage basé sur la récompense et à la recherche d'information à travers la modélisation computationnelle et l'imagerie cérébrale multimodale. Cette collaboration entre Andrea Brovelli et Lorenzo Fontolan combinera leur expertise en analyse des réseaux cérébraux, en dynamique neuronale et en neurosciences computationnelles pour étudier comment les circuits neuronaux fonctionnent lors de l'apprentissage et de la recherche d'information. L'objectif principal du projet sera d'examiner comment différents schémas d'activité neuronale et de connectivité fonctionnelle émergent et interagissent au cours de tâches d'apprentissage basées sur la récompense. En utilisant des techniques telles que la MEG, l'EEG intracrânienne et les LFP, le projet captera les dynamiques temporelles et spatiales à haute résolution de l'activité cérébrale. Ces données seront utilisées pour développer et affiner des modèles computationnels simulant les circuits neuronaux impliqués dans les processus d'apprentissage. En particulier, le projet étudiera les dynamiques neuronales spécifiques associées au comportement de recherche d'information. Cet aspect examinera comment le cerveau encode l'incertitude et l'exploration guidée par la curiosité, et comment ces processus influencent l'apprentissage des contingences de récompense. Comprendre la base neuronale de la recherche d'information est important pour modéliser comment les individus équilibrent exploration et exploitation. L'intégration des données expérimentales avec la modélisation computationnelle fournira une compréhension détaillée des mécanismes neuronaux sous-jacents à la fois à l'apprentissage basé sur la récompense et à la recherche d'information. Notre approche peut révéler des principes fondamentaux du fonctionnement cérébral et conduire à de nouvelles stratégies pour traiter les troubles cognitifs. L'étudiant en doctorat devra être titulaire d'un Master en physique/mathématiques appliquées/génie électrique. Des compétences acquises en modélisation des systèmes biologiques seront un avantage supplémentaire. Il est particulièrement important d'avoir : i) la capacité de travailler dans un environnement interdisciplinaire, ii) la volonté de s'immerger dans les complexités biologiques des circuits neuronaux, et iii) de combiner des approches analytiques et numériques.

This Ph.D. project aims to explore the neural mechanisms underlying reward-based learning and information seeking through computational modeling and multimodal brain imaging. This collaborative effort between Andrea Brovelli and Lorenzo Fontolan will use their combined expertise in brain network analysis, neural dynamics, and computational neuroscience to investigate how neural circuits function during learning and information seeking. The primary focus of the project will be to examine how different neural activity patterns and functional connectivity patterns emerge and interact during reward-based learning tasks. By employing techniques such as MEG, intracranial EEG, and LFP, the project will capture the high-resolution temporal and spatial dynamics of brain activity. These data will be used to develop and refine computational models that simulate the neural circuits involved in learning processes. In particular, the project will investigate the specific neural dynamics associated with information-seeking behavior. This aspect will study how the brain encodes uncertainty and curiosity-driven exploration, and how these processes influence the learning of reward contingencies. Understanding the neural basis of information seeking is important for modeling how individuals balance exploration and exploitation. The integration of experimental data with computational modeling will provide a detailed understanding of the neural mechanisms underlying both reward-based learning and information seeking. Our approach can reveal fundamental principles of brain function and lead to new strategies for addressing cognitive disorders. The Ph.D. student should hold a Master's degree in physics/applied mathematics/electrical engineering. Acquired skills in modeling biological systems can be of additional advantage. Of high importance are: i) the ability to work in an interdisciplinary environment, ii) the willingness to dig into the biological intricacies of neural circuits, and iii) to combine analytical and numerical approaches.