Mémoire et connectivité : mémoire épisodique et sémantique, et leur interdépendance, dans le vieillissement normal et la maladie d’Alzheimer Stage de recherche M2 Cogmaster 2eme année Laetitia Jeancolas sous la direction de : Yohan Attal*, Gianfranco Dalla Barba** et Olivier David*** * Team Cogimage, Cognitive Neuroscience and Brain Imaging, CRICM ** Team Cognition, Neuroimaging and Brain Diseases, CRICM *** Team 11, GIN (Institut des Neurosciences de Grenoble) 10 février 2014 - 16 juin 2014 1 Table des matières Déclaration d’originalité 4 Déclaration de contribution 5 Liste des abréviations 6 1 Introduction 1.1 Le projet HM-TC . . . . . . . . . . . . . . . . . . . . . 1.2 La mémoire chez le sujet sain . . . . . . . . . . . . . . 1.2.1 Les différents types de mémoire . . . . . . . . . 1.2.2 Différents modèles d’organisation de la mémoire 1.2.3 Les corrélats neuronaux . . . . . . . . . . . . . 1.3 La maladie d’Alzheimer . . . . . . . . . . . . . . . . . 1.3.1 La détérioration de la mémoire . . . . . . . . . 1.3.2 Les corrélats électrophysiologiques . . . . . . . . 2 L’étude à mon arrivée 2.1 Problématique . . . . . . . . 2.2 Protocole expérimental . . . 2.3 Résultats comportementaux 2.4 Résultats MEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Travail effectué pendant mon stage 3.1 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Prise en main des données . . . . . . . . . . . . . 3.2.2 Reconstruction de sources . . . . . . . . . . . . . 3.2.3 DCM . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Résultats finaux . . . . . . . . . . . . . . . . . . . . . . . 3.3.1 Analyse des résultats de reconstruction de sources 3.3.2 Résultats DCM et BMS . . . . . . . . . . . . . . 3.3.3 Statistiques sur les modulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 . 6 . 7 . 7 . 8 . 9 . 12 . 13 . 13 . . . . . . . . 14 14 14 16 17 . . . . . . . . . 18 18 19 19 19 25 31 31 33 34 . . . . . . . . . 4 Discussion 35 Bibliographie 37 Remerciements 41 2 Annexes Annexe 1 : Critères NINCDS-ADRDA . . . . . . . . . . . . . . . Annexe 2 : Matériel et Méthode . . . . . . . . . . . . . . . . . . . Annexe 3 : Illustrations du champ évoqué . . . . . . . . . . . . . Annexe 4 : Modulation des sources pour les conditions sémantique, épisodique et mixte. . . . . . . . . . . . . . . . . . . . . . . . 3 42 . 42 . 43 . 44 . 47 Déclaration d’originalité L’existence d’une interaction entre mémoire sémantique et mémoire épisodique a été pendant longtemps débattue. La relation entre ces deux systèmes de mémoire est maintenant bien connue d’un point de vue neuropsychologique. Cependant cette relation n’a presque pas été étudiée d’un point de vue neurophysiologique. La connectivité fonctionnelle sous-jacente à l’interaction entre ces deux systèmes de mémoire, n’a à ma connaissance, encore jamais été étudiée. Or la compréhension de cette interaction recouvre un intérêt majeur, surtout chez les personnes âgées, car différentes pathologies liées à l’âge sont caractérisées par des déficits sélectifs à un de ces deux systèmes de mémoire. C’est le cas de la maladie d’Alzheimer qui est connue pour atteindre surtout la mémoire épisodique, durant sa première phase. Mon stage a consisté à étudier ces systèmes de mémoire et leur relation, par une reconstruction de sources, et par l’approche DCM (Dynamic Causal Modeling) qui permet d’étudier les connectivités effectives. Le deuxième objectif de mon stage a été de comparer ces résultats chez des sujets âgés sains à des sujets atteints d’une maladie d’Alzheimer débutante. Pour cela j’ai étudié la connectivité effective cérébrale avec DCM en m’intéressant à des réponses évoquées lors de tâches de mémoire, ce qui n’a a priori encore jamais été fait dans le cadre le la maladie d’Alzheimer. De plus j’ai utilisé un atlas de connectivité, en cours de finition, pour élaborer des modèles de connectivité effective à tester avec DCM. Cet Atlas n’avait encore jamais été utilisé dans le contexte de DCM. 4 Déclaration de contribution Ont participé à ces travaux : Olivier David, Yohan Attal, Jean-Didier Lemaréchal, Valentina La Corte, Gianfranco Dalla Barba. - la définition de la question scientifique qui est posée : G. Dalla Barba, Y. Attal - la recherche bibliographique permettant de cerner la question et de guider le choix de l’approche et de la méthodologie : Y. Attal, V. La Corte, O. David et moi-même - le choix de l’approche générale pour répondre à la question : Y. Attal, O.David - le choix de la méthodologie spécifique : Y. Attal - la mise au point de la méthodologie : J-D. Lemaréchal, O. David - la résolution des problèmes informatiques : J-D. Lemaréchal - la programmation de l’expérience ou du modèle : O. David, moi-même - l’analyse des données : moi-même - l’interprétation des résultats et la formulation des conclusions : O. David, moi-même - la rédaction du mémoire, la production de tables ou de figures : moimême - la relecture et les commentaires sur le mémoire : O. David 5 Liste des abréviations ACP : Analyse en Composantes Principales BMA : Bayesian Model Averaging BMS : Bayesian Model Selection ECD : Equivalent current dipoles EEG : Electroencephalographie ETC : Episodic Task pour les visages Connus ETI : Episodic Task pour les visage Inconnus DCM : Dynamic Causal Modeling HM-TC : Hippocampus, Memory and Temporal Consciousness IID : Independent and Identically Distributed sources - Minimum Norm IRM : Imagerie par Résonance Magnétique IRMf : Imagerie par Résonance Magnétique Fonctionnelle MA : Maladie d’Alzheimer, et par extension les malades MEG : Magnétoencéphalographie MNI : Montreal Neurological Institute MSP : Multiple Sparse Priors NC : Normal controls = sujets sains SPM : Statistical Parametric Mapping ST : Semantic Task 1 1.1 Introduction Le projet HM-TC Titre du projet : Modélisation des interactions entre l’hippocampe et le cortex dans la conscience temporelle pour un fonctionnement normal et pathologique de la mémoire, établie à partir de l’imagerie cérébrale multimodale anatomique et fonctionnelle (IRMa, IRM Diffusion, MEG, IRMf) La conscience temporelle est un concept définissant une forme de conscience qui permet une représentation de son passé, présent et futur. Il a été décrit par Gianfranco Dalla Barba dans Memory, Consciousness and Temporality (Dalla Barba, 2002). Il propose que l’hippocampe est le substrat neuronal de la conscience temporelle (Dalla Barba and La Corte, 2013). Le projet HM-TC (Hippocampus, Memory and Temporal Consciousness) vise à confirmer cette hypothèse en étudiant les caractéristiques de l’hippocampe et ses connexions avec le cortex, pour des sujets sains et des patients ayant une conscience temporelle altérée comme dans le cas de la maladie d’Alzheimer. 6 Ce projet a commencé il y a 4 ans et arrive à sa fin. Il a été réalisé grâce à un partenariat entre les sept laboratoires ci dessous. Partenaire 1 : NEMESIS – CRICM (Olivier Colliot) Partenaire 2 : INSERM UMRS 975 – ex U. 610 (Gianfranco Dalla Barba) Partenaire 3 : CENIR (Stéphane Lehéricy) Partenaire 4 : CMLA – ENS de Cachan (Alain Trouvé) Partenaire 5 : Neurospin – CEA (Cyril Poupon) Partenaire 6 : GIN - Grenoble Institut des Neurosciences (Olivier David) Partenaire 7 : “Department of Physical Medicine and Rehabilitation” (Pascale Pradat) Ce projet a été divisé en 7 tâches. Les premières tâches ont permis d’élaborer un modèle anatomique précis de l’hippocampe, et utilisable pour l’analyse des données de neuroimagerie. Ensuite une tâche concernait la partie expérimentale du projet : la mise en place d’un protocole expérimental mettant en avant plusieurs formes de mémoire, et le recrutement de sujets sains et de patients souffrant d’une distorsion de la conscience temporelle. Les patients sont recrutés à un stade précoce de la maladie d’Alzheimer(MA). Puis la dernière tâche, dans laquelle s’inscrit mon stage, a consisté à générer un modèle de connectivité effective de l’hippocampe, estimé à partir de données magnétoencéphalographiques (MEG), et à analyser les modulations de ce modèle entre sujets sains (NC) et patients Alzheimer. Pour cela on s’est placé dans dans un cadre faisant intervenir la mémoire sémantique, épisodique et l’interaction entre les deux. 1.2 1.2.1 La mémoire chez le sujet sain Les différents types de mémoire Tulving est le premier cognitiviste à décrire différentes formes de mémoire en expliquant comment les distinguer (Tulving, 1972). Selon lui on peut les différencier en prenant en compte, entre autres, les types d’informations et de connaissances qu’elles traitent et leurs substrats neuronaux. Selon ces critères on peut distinguer la mémoire à court terme de la mémoire à long terme, la mémoire procédurale de la mémoire déclarative,la mémoire sémantique de la mémoire épisodique et le système de représentation perceptive. Mémoire à court terme et mémoire à long terme La mémoire à court terme est la mémoire qui permet l’analyse d’informations sensorielles et leur récupérations dans un intervalle de deux minutes. Elle a une capacité 7 de stockage limitée, son empan étant en moyenne de 7. Un empan étant la quantité limitée d’informations (mots, chiffres, etc.) qui peut être stockée dans la mémoire à court terme. Quand cette dernière est associée à l’attention, elle constitue la mémoire de travail, permettant alors non seulement de stocker mais aussi de manipuler les informations. La mémoire à long terme n’a pas de capacités définies ni limitées, elle permet de détenir les informations de façon durable. Elle englobe les mémoires procédurale et déclarative, ainsi que les mémoires sémantique et épisodique. (La Corte, 2012) Mémoire procédurale et mémoire déclarative La mémoire procédurale est le système qui permet d’apprendre et de reproduire des savoirs-faire (comme par exemple faire du vélo). On n’en n’a pas conscience et on ne peut pas la verbaliser, contrairement à la mémoire déclarative, qui concerne la mémoire dont on peut rendre compte de façon consciente. Mémoire sémantique et mémoire épisodique Ces deux types de mémoire font partie de la mémoire déclarative. La mémoire sémantique est celle qui est reliée au sens des mots, à la signification d’objets. Elle ne dépend pas de son contexte d’acquisition. Si on connaı̂t le sens d’un certain mot, on ne se souvient généralement pas du moment où on l’a appris. A l’inverse, la mémoire épisodique est la mémoire des événements de notre vie, et elle est reliée au contexte spatio-temporel d’acquisition. Système de représentation perceptive La mémoire sémantique peut aussi être opposée au système de représentation perceptive. Celui-ci permet l’accès à des informations sur la forme ou la structure de mots ou d’objets sans aller jusqu’à leur signification. Certains individus ont un trouble de la mémoire sémantique mais un système de représentation perceptive intact, ce qui leur permet de lire sans comprendre, ou de reconnaı̂tre un objet réel par rapport à un non existant sans savoir de quoi il s’agit. (La Corte, 2012) 1.2.2 Différents modèles d’organisation de la mémoire La façon dont ces différentes formes de mémoire sont agencées ne fait pas l’unanimité des chercheurs. Notamment la relation entre mémoire sémantique et mémoire épisodique a beaucoup divisé. Les premiers modèles qui ont placé la mémoire épisodique et la mémoire sémantique au sein d’un système plus large sont les modèles de Tulving (Tulving, 1985) et de Squire (Squire, 1986). Pour Tulving la mémoire épisodique est un sous système de la mémoire sémantique, alors que pour Squire ce sont deux systèmes parallèles et indépendants. 8 Tulving va ensuite préciser son modèle en plaçant une hiérarchie des systèmes de mémoire pour l’encodage mais par pour le stockage ni pour la récupération de l’information. (Tulving, 1995). Selon lui l’encodage passe d’abord par la mémoire procédurale, puis par le système de représentation perceptive, puis par la mémoire sémantique, puis par la mémoire de travail pour finir par la mémoire épisodique. Si un dysfonctionnement a lieu par exemple au niveau de l’encodage de la mémoire sémantique, l’encodage de la mémoire épisodique ne pourra s’effectuer correctement, mais ce n’est pas réciproque (Figure 1). Figure 1 – Le modèle SPI (Serial Parallel Independant) de Tulving (1995). Source : (Desgranges, 2011) En 2001, Hodges (Hodges and Graham, 2001) par une expérience mettant en évidence un recours à la mémoire épisodique conservé chez des patients ayant un déficit en mémoire sémantique contredit le modèle de Tulving. Il propose un autre modèle dans lequel mémoire épisodique et mémoire sémantique seraient toutes les deux au même niveau, reliées directement au système de représentation perceptive. Il ajoute qu’il existerait aussi un lien direct entre ces deux mémoires (Figure 2). Face à cela, Tulving réaffirme sa position et répond que la tâche utilisée dans l’expérience de Hodge ne ferait peut être intervenir que la mémoire perceptive sans solliciter la mémoire épisodique ou sémantique (Tulving, 2001). Le débat sur les relations entre mémoire sémantique et mémoire épisodique n’est pas clôt, mais depuis ces dernières années l’existence d’interactions entre ces deux systèmes tend à faire l’unanimité. La vérification et la précision de cette hypothèse a été un des objectifs de mon stage. Interactions entre mémoire sémantique et épisodique Des études neuropsychologiques ont montré que la performance dans les tâches de mémoire 9 Figure 2 – Le modèle de Hodges (2001). Source : (Desgranges, 2011) épisodique de reconnaissance est plus élevée s’il s’agit de reconnaı̂tre des éléments qui ont été encodés de façon sémantique (Goldum et al., 1998). Nous allons voir si nous obtenons le même effet dans notre expérience. 1.2.3 Les corrélats neuronaux La mémoire sémantique L’apport de la pathologie La démence sémantique est un trouble isolé et progressif caractérisé par la perte de la mémoire sémantique. Les patients qui en sont atteints présentent une atrophie du cortex temporal antéro-latéral. On peut donc en déduire l’importance de cette région dans le fonctionnement de la mémoire sémantique. Pour ce qui est des lésions, des études sur des patients avec lésions au niveau du cortex préfrontal gauche ont montré que cette dernière région jouerait un rôle dans la récupération lexicale, donc dans la mémoire sémantique (Baldo and Shimamura, 1998). D’autres études sur des patients avec lésions au niveau des lobes temporaux ont mis en évidence l’importance du lobe temporal dans le stockage des connaissances, donc toujours dans la mémoire sémantique (Warrington, 1975). L’apport de l’imagerie fonctionnelle L’imagerie fonctionnelle a confirmé et précisé les données anatamo-lésionnelles, notamment la grande implication du cortex préfrontal gauche et ont suggéré la participation de la région préfrontale antérieure et inférieure. Le cortex temporal a également été retrouvé dans l’identification de formes d’objets et la représentation d’objets en mouvement (Martin and Chao, 2001). Pour ce qui est de la reconnaissance de visages, cela impliquerait surtout le gyrus fusiforme (McCarthy et al., 1997). De façon moins marquée, certaines études ont montré une implication du cortex pariétal (Chee et al., 1999) dans des tâches de mémoire sémantique. Pour finir des études récentes ont aussi montré une contribution des structures temporales internes, et notamment de l’hippocampe, dans la récupération d’informations sémantiques (Ryan et al., 2008). 10 L’apport de l’électrophysiologie En EEG , deux composantes de potentiel évoqué ont été mises en évidence : la N400 et la P600. La N400 a été découverte par Marta Kutas et Steven Hillyard en 1980 (Kutas and Hillyard, 1980), elle se caractérise par une chute du signal, au niveau des capteurs centro-pariétaux, environ 400 ms après présentation du stimulus et peut s’étendre de 250 à 500 ms. Elle serait liée au sens (de mots, objets, visages..). La P600, montrée pour la première fois par Lee Osterhout et Phillip Holcomb en 1992 (Osterhout and Holcomb, 1992), est quant à elle une augmentation du potentiel électrique, environ 600 ms après le stimulus, et aurait un lien avec la détection d’erreurs grammaticales et d’incohérences syntaxiques. En MEG des équivalents de ces deux composantes ont été retrouvées (Van Petten and Luka, 2006). Si on fait un bilan de la littérature, on s’aperçoit que les générateurs de la N400 sont supposés se trouver dans le cortex temporal gauche, dans le cortex rhinal et dans le gyrus fusiforme antérieur. Les sources de la P600 se situeraient, pour leur part, dans le préfrontral ventral, le cortex enthorinal, le cortex cingulaire et l’hippocampe. La mémoire épisodique L’apport de la pathologie Les premiers stades de la maladie d’Alzheimer se caractérisent par une atrophie du lobe temporal interne, dont surtout l’hippocampe, associée à une perte de la mémoire épisodique. On peut donc en déduire le rôle primordial de cette structure dans ce système de mémoire. Ce qui est en accord avec les études menées sur le patient ’HM’ qui perdit l’usage de la mémoire épisodique suite à une ablation de la partie interne de ses lobes temporaux (Corkin, 1984). L’hippocampe est important dans la mémoire sémantique mais ses régions afférentes et efférentes le sont tout aussi. En effet des lésions dans le cortex temporo-pariétal, qui est en amont de celui-ci, ou des lésions au niveau du cortex orbitofrontal, qui est en aval, peuvent entrainer des confabulations (des distorsions de souvenirs) (Dalla Barba and La Corte, 2013). L’apport de l’imagerie fonctionnelle Une étude utilisant la Tomographie par émission de positons (TEP) et l’Imagerie par résonance magnétique fonctionnelle (IRMf) a montré que le cortex préfrontal gauche était plus impliqué dans l’encodage d’informations en mémoire épisodique, à la différence du cortex préfrontal droit qui lui est plus impliqué dans la récupération de la mémoire épisodique (Tulving, 2002). Mais le cortex frontal n’est pas le seul à être activé lors de tâches de mémoire épisodique, on retrouve bien sûr l’hippocampe lors de l’encodage et de la récupération d’information 11 Figure 3 – Effet Old-New en EEG. Source : (Friedman, 2013) de type sémantique (Grady et al., 1995). D’autres études ont aussi mis en évidence l’activation du cortex pariétal postérieur lors de tâches de mémoire épisodique (Susuki and Amaral, 1994) ; (Cabeza and Nyberg, 2000). L’apport de l’électrophysiologie Le corrélat électrophysiologique de la mémoire épisodique est ce qu’on appelle ”l’effet old-new”. Il a surtout été étudié en EEG. Il consiste en une augmentation du potentiel évoqué lors de la présentation d’un ancien stimuli par rapport à un nouveau stimuli, lors d’une épreuve de reconnaissance. Ne sont pris en compte que les anciens stimuli qui ont été correctement reconnus ou les nouveaux qui ont été correctement rejetés. Cette augmentation est généralement significative entre 300 et 500 ms après l’apparition du stimulus au niveau des capteurs frontaux moyens, et entre 500 et 800 ms au niveau des capteurs pariétaux gauches. Il est généralement considéré que l’effet old-new frontal serait lié à la notion de familiarité alors que l’effet pariétal serait plus lié à la remémoration liée au contexte d’apprentissage (Figure 3). Un troisième effet apparaı̂t ensuite au niveau du cortex frontal droit (pendant ou juste après celui du pariétal) et serait lié à l’évaluation et au contrôle des résultats de la récupération. Il serait plus lié aux fonctions exécutives qu’aux fonctions mnésiques.(Friedman, 2013) Fiedman montre également que l’effet old-new de récupération diminue fortement avec l’âge, ce qui ne serait pas, ou moins, le cas de l’effet de familiarité. En MEG, des études ont retrouvé l’effet old-new. Dans l’étude de Staresina (Staresina et al., 2005), il s’exprime par une augmentation du champ évoqué au niveau des capteurs antérieurs gauches entre 300 et 500 ms après 12 apparition du stimulus. L’étude montre qu’on ne peut quasiment pas détecter de différences entre le processus de familiarité et celui de remémoration consciente. Dans l’étude de Tendolkar (Tendolkar et al., 2000), l’effet apparaı̂t au niveau des capteurs frontaux et temporo-pariétaux, entre 400 et 600 ms après la présentation du stimulus. Cette étude a montré par une reconstruction de sources, que les régions actives se situent dans le cortex frontal inférieur droit, le lobe temporal médial et le cortex inférieur pariétal gauche. 1.3 La maladie d’Alzheimer La maladie d’Alzheimer est la forme de démence la plus courante. C’est une maladie neurodégénérative qui concerne 860 000 personnes en France. Sa prévalence pour les moins de 65 ans est de 0.5%, et de 15% pour les plus de 80 ans (Inserm, 2009). La maladie d’Alzheimer a été reportée pour la première fois en 1906 par Aloı̈s Alzheimer, de qui elle tire son nom. Le diagnostic certain ne peut être réalisé que post mortem, par l’observation de plaques séniles, et d’une dégénérescence neurofibrillaire, situées au début de la maladie dans le cortex temporal médian et dans l’hippocampe, puis se propageant à l’ensemble du cerveau (Khachaturian, 1985). Les plaques séniles sont caractérisées par des amas de protéines beta amyloı̈de, et la dégénérescence neurofibrillaire par des accumulations de protéine Tau. Même si le diagnostic certain ne peut être établi qu’après la mort du patient, des critères de diagnostic probable existent, comme ceux du DSM-IV (Diagnostic and Statistical Manual of Mental Disorders) et ceux du NINCDS-ADRDA (National Institute Neurological and Communicative Disorders and Stroke - Alzheimer’s Disease and Related Disorder Association) (McKhann et al., 1984). Ces derniers ont été ceux utilisés pour recruter les patients MA probable de notre étude, et sont détaillés en Annexe 1. 1.3.1 La détérioration de la mémoire Le premier signe cognitif de la maladie d’Alzheimer est la dégradation de la mémoire à long terme, et de façon plus marquée la mémoire épisodique. Ces troubles sont observés majoritairement dans l’apprentissage et le rappel non immédiat (Harvey and Mohs, 2001), ce qui va de pair avec l’atrophie progressive de l’hippocampe qui serait la région touchée en premier. La mémoire épisodique semble être affectée à la fois au niveau de l’encodage (Goldblum et al., 1998), du stockage (Lekeu and Van Der Linden, 2005) et de la récupération (Bartok et al., 1997). L’apparition de troubles de la mémoire sémantique semblerait survenir à un stade plus avancé de la 13 maladie, mais cela est controversé par certaines études qui indiquerait une détérioration de la mémoire sémantique dès les premiers stades (Chainay, 2005). Mais les études sont plutôt en accord pour dire que les troubles de la mémoire sémantique sont plus dus à une détérioration du stock de connaissances sémantiques qu’à un déficit d’accès (La Corte, 2012). 1.3.2 Les corrélats électrophysiologiques En EEG, l’analyse fréquentielle est actuellement un outil de diagnostique de la maladie d’Alzheimer. Une augmentation de l’activité thêta ainsi qu’une diminution de l’activité alpha et beta sont observées dans les cas d’Alzheimer modéré, pour les cas sévères on constate aussi une augmentation de l’activité delta (Zamrini et al., 2011). Pour ce qui est du potentiel évoqué lors de tâches de mémoire épisodique, on n’observe pas d’effet old-new pariétal (lié à la récupération contextuelle), mais l’effet old-new frontal (lié à la familiarité) semble être préservé (Tendolkar et al., 2000). Pendant des tâches de mémoire sémantique, des anomalies de la N400 et de la P600 ont également été observées (Olichney et al., 2006). Des études fréquentielles ont aussi été faites en MEG, ainsi que des études sur des champs évoqués. Ces dernières ont montré une diminution de l’activité dans le lobe temporal gauche chez les patients Alzheimer (Zamrini et al., 2011). Il n’y aurait également pas d’effet old-new (Walla et al., 2005). 2 2.1 L’étude à mon arrivée Problématique L’existence d’une relation entre mémoire épisodique et mémoire sémantique a été débattue pendant longtemps. Deux grandes écoles s’opposaient : celle de Squire et celle de Tulving. Squire soutenait que la mémoire épisodique et la mémoire sémantique étaient deux systèmes de mémoire qui fonctionnaient en parallèle et de façon indépendante (Squire, 1986). Il se fondait pour cela sur des maladies ou lésions qui endommagent l’une de ces mémoires indépendamment de l’autre. Tulving, quant à lui, affirmait que la mémoire épisodique était un sous système de la mémoire sémantique (Tulving, 1985). Depuis, de nombreuses études ont montré que ces deux systèmes de mémoires étaient bien liés. Une des preuves est qu’ils ont de nombreux substrats neuronaux en commun, dont surtout le lobe temporal gauche (Menon et al., 2002). Cependant peu d’études se sont intéressées à la dynamique de la relation entre ces mémoires. Cela a été le cas de l’équipe de Zion-Golumbic (Zion-Golumbic et al., 2010) qui a montré par des résultats comportementaux 14 qu’un traitement sémantique durant la phase d’encodage facilitait le traitement épisodique durant la phase de reconnaissance. Cependant ils n’ont pas retrouvé cette interaction dans les analyses électrophysiologiques. La phase d’encodage consistait à juger la beauté de visages connus et inconnus. La phase de reconnaissance consistait à dire, face à la présentation de ces mêmes visages mêlés à d’autres visages connus ou inconnus, s’ils avaient été présentés durant la première phase. Le but de l’étude de mon équipe a été d’analyser de plus près l’interaction entre mémoire sémantique et épisodique via un protocole qui ressemble à celui de Zion, mais qui marque plus l’implication de la mémoire sémantique dans la phase d’encodage, et de comparer ces résultats chez des sujets sains à ceux qu’on obtient pour des patients atteints de la maladie d’Alzheime, la relation entre mémoire épisodique et mémoire sémantique sur le plan électrophysiologique dans la MA étant mal connue. L’hypothèse à confirmer était qu’on peut identifier l’interaction entre ces deux systèmes de mémoire dans les résultats comportementaux, mais aussi dans les résultats électrophysiologiques, et qu’on devrait obtenir des résultats différents chez les patients MA. 2.2 Protocole expérimental Participants 11 patients diagnostiqués comme ayant une maladie d’Alzheimer probable, d’après les critères de diagnostic du NINCDS-ADRDA (c’est à dire à un stade peu avancé de la maladie) ont participé à l’étude, ainsi que 11 sujets sains appariés en âge et niveau socioculturel. La moyenne d’âge des participants est de 70 ans. Paradigme L’expérience était composée de deux tâches. Durant la première tâche, les participants, installés dans une pièce MEG blindée, voyaient apparaitre sur un écran devant eux une série de 56 visages connus ou inconnus. Ils devaient indiquer, pour chaque visage, s’ils le connaissaient ou pas en appuyant sur un bouton. Ils avaient un bouton dans la main droite et un dans la main gauche, et chaque bouton correspondait à un type de réponse précis. La relation bouton type de réponse était contrebalancée entre les participants. Ces derniers avaient également comme consigne d’essayer de mémoriser les visages en vue d’une future tâche de reconnaissance. Cette tâche d’encodage est ce qu’on appellera la tâche sémantique, car elle fait intervenir cette forme de mémoire. La deuxième tâche a lieu 2 min après la fin de la tâche sémantique. Pendant les 2 minutes d’intervalle, les participants avaient un exercice de distraction à effectuer : compter à l’envers à partir de 200 par tranches de 2. Durant la deuxième tâche, les participants ont vu les mêmes visages défiler 15 (les old), mélangés à autant de nouveaux visages (les new), connus ou inconnus. Ils devaient alors dire, pour chaque visage, s’il pensaient l’avoir vu dans la tâche précédente ou non, toujours en pressant un bouton. On mentionnera par la suite cette tâche de reconnaissance comme étant la tâche épisodique, vue qu’elle fait principalement intervenir la mémoire épisodique (La Corte et al., 2012). Les participants de cette étude ont également passé une IRM, à titre de contrôle, et qui sera utilisée dans l’analyse en reconstruction de sources. A la suite de ces IRM on a découvert une malformation cérébrale chez un patient, qu’on a donc exclu de l’analyse des résultats comportementaux et MEG. Un protocole plus détaillé se trouve en Annexe 2. Figure 4 – Séquence d’événements durant la phase d’encodage (tâche sémantique) et la phase de reconnaissance (tâche épisodique). Source : (La Corte, 2012) Acquisition MEG Les enregistrements ont été effectués au centre MEG-EEG du Centre de Neuro-Imagerie de Recherche (CENIR) à Paris. Les signaux MEG ont été enregistrés de façon continue pendant l’expérience avec un taux d’échantillonage de 1 250 Hz, et ont été filtrés par un passe-bas de 200 Hz. Trois fiduciaires (bobines servant de points de références pour le positionnement de la tête) ont été placés à des endroits précis sur la tête des participants. Pré-traitement des données Pour permettre un traitement des données, le signal MEG a été fragmenté en plusieurs ”essais” avec une phase verrouillée sur l’apparition du stimulus (d’un visage). Chaque essai commence 200 ms avant l’apparition du stimulus (temps t=0) et se termine à t=1000 ms. Sur chaque essai, un filtrage par Analyse en Composantes Principales (ACP) a été effectué pour retirer les artefacts dus aux clignements des yeux. 16 L’ACP est une méthode d’analyse statistique qui consiste à transformer un ensemble de variables corrélées en un ensemble de variables décorrélées les unes des autres. Ces nouvelles variables sont appelées ”composantes principales”. Cette transformation a pour conséquence que la première composante principale est la variable qui a la plus grande variance. La deuxième composante à la deuxième plus grande variance et est construite orthogonalement à la première. La 3eme est orthogonale aux deux premières et ainsi de suite. Cette méthode permet de réduire la dimensionalité des variables, et fournit une bonne approximation si on prend les premières composantes. Elle permet également d’isoler une variable que l’on cherche à supprimer. C’est ce qui a été fait pour enlever la variable traduisant l’impact du clignement des yeux sur le signal. Une fois cet artefact supprimé, chaque essai a été revu individuellement pour retirer manuellement d’autres artefacts éventuels (dus à un mouvement, aux plombages dentaires, etc .). De plus les essais correspondant à de mauvaises réponses ont été rejetés. Les essais restants ont été regroupés par condition (connu ou inconnu pour la tâche sémantique, ancien inconnu, nouveau inconnu, ancien connu et nouveau inconnu pour la tâche épisodique). Ces essais ont ensuite été moyennés par condition. Enfin on a soustrait aux essais la moyenne du signal compris entre -200 ms et 0 (ce qu’on appelle la baseline). 2.3 Résultats comportementaux Chez les sujets sains, les résultats comportementaux ont montré deux effets significatifs. Le premier est que pour les visages connus, les participants ont plus de facilité à détecter les anciens que les nouveaux lors de la tâche épisodique. C’est à dire qu’ils ont plus de bonnes réponses en reconnaissance des anciens qu’en rejet des nouveaux. Cet effet n’apparaı̂t pas pour les visages inconnus. Le statut sémantique a donc une influence sur la tâche sémantique. Le deuxième effet significatif est qu’il y a plus de bonnes réponses en anciens connus qu’en anciens inconnus. Cela indique donc que le traitement sémantique de la première tâche a facilité la reconnaissance épisodique. Notre étude a donc montré, d’un point de vue comportemental, une interaction entre la mémoire sémantique et épisodique chez les sujets sains (La Corte et al., 2012). Chez les patients Alzheimer, on trouve des similitudes et des différences dans les résultats comportementaux. Déjà les taux de bonnes réponses sont en moyenne plus faibles, avec un taux moyen moins bon pour les visages connus que pour les visages inconnus. Ensuite pour ce qui est des similitudes, on retrouve les deux effets décrits chez les sujets sains. Cependant, contrairement 17 aux sujets sains, il y a plus de fausses reconnaissances pour les visages connus que pour les visages inconnus. On pourrait penser que les patients MA sont confus dans le souvenir du contexte d’acquisition des informations : quand ils reconnaissent un visage dans la tâche épisodique, ils ne se souviendraient peut être plus si c’est parce qu’ils viennent de le voir ou si c’est parce qu’ils le connaissent depuis longtemps. Un dernier effet qu’on constate est qu’il y a moins de bonnes reconnaissances pour les visages anciens inconnus que pour les anciens connus. Tout ceci nous montre que la relation entre leur mémoire sémantique et épisodique est altérée (La Corte, 2012). 2.4 Résultats MEG Afin d’étudier les patterns électrophysiologiques de la mémoire sémantique, de la mémoire épisodique et de l’interaction entre les deux, les conditions (connu, inconnu, ancien inconnu, nouveau inconnu, ancien connu, nouveau connu), mentionnées dans la description du paradigme, ont été regroupées deux à deux. Pour étudier le pattern sémantique, le champ évoqué de la condition visage inconnu de la tâche sémantique a été soustrait à celui de la condition visage connu. De même pour étudier le pattern purement épisodique, le champ évoqué de la condition nouveau inconnu a été soustrait de celui de la condition ancien inconnu. Enfin soustraire le signal de la condition nouveau connu de celui de la condition ancien connu nous donne un pattern mixte. La mémoire épisodique s’effectue ici sur des visages qui ont été au préalable l’objet d’un traitement sémantique. Chez les sujets sains, dans la tâche sémantique un effet de la N400 a été perçu à partir de 350 ms au niveau des capteurs temporaux. Dans la tâche purement épisodique, un effet old-new apparaı̂t au niveau des capteurs pariétooccipitaux gauches, alors que dans la condition mixte, ce sont les capteurs temporaux avec une prédominance à droite qui recueillent le plus de signal. Si on compare ces 3 patterns entre eux, on s’aperçoit que le pattern mixte ressemble beaucoup au pattern sémantique, ce qui n’est pas le cas du pattern épisodique. Cela montre, d’un point de vue électrophysiologique, que la mémoire épisodique interagit avec la mémoire sémantique. Plus précisément on peut supposer que la reconnaissance d’un visage connu dans la tâche épisodique réactiverait le circuit propre au traitement sémantique de ce visage (La Corte et al., 2012). Chez les patients MA, on observe en moyenne une diminution du champ évoqué par rapport aux sujets sains. La composante M170, qui est une composante de champ évoqué caractéristique de la perception des visages, semble être relativement préservée. On observe en mémoire épisodique (pour les deux types de visage) une activité précoce plus antérieure que chez les sujets sains. 18 On peut constater un effet old-new entre 850 et 950 ms, au niveau frontal pour les visages connus, et au niveau occipital pour les visages inconnus. Contrairement à la plupart des études qui suggèrent une absence d’effet électrophysiologique chez les patients Alzheimer, cette étude a montré que les patients MA ont des patterns différents des sujets sains pour la mémoire sémantique et épisodique, ce qui suggère une réorganisation fonctionnelle des processus physiologiques. Ceci pouvant refléter un phénomène de compensation existant chez les patients Alzheimer débutants. L’originalité de cette étude est d’avoir mis en évidence, par des analyses MEG, des patterns physiopathologiques, qui pourraient être typiques de la maladie d’Alzheimer (La Corte, 2012). Des illustrations, provenant de cette étude, sur les champs magnétiques évoqués, sont en Annexe 3. 3 3.1 Travail effectué pendant mon stage Objectif Le premier objectif de mon stage a été de poursuivre cette étude en effectuant des reconstructions de sources, afin de mettre en évidence les régions du cerveau responsables des différents types de mémoire, et de la réorganisation fonctionnelle dans la MA que l’on observe sur le scalp. Ensuite le deuxième objectif de mon stage a été, à partir de ces reconstructions de sources, et d’un nouvel atlas de connectivité développé par Olivier David (David et al., 2013), de proposer un modèle de connectivité effective, et d’en étudier les modulations suivant le type de mémoire utilisé et la condition MA ou non des sujets. Ceci a été effectué à l’aide du logiciel SPM (http ://www.fil.ion.ucl.ac.uk/spm/), et de l’approche Dynamic Causal Modeling (DCM) (David et al., 2006) qui permet l’étude de la connectivité effective cérébrale. 3.2 3.2.1 Méthodologie Prise en main des données Les premières semaines de mon stage ont consisté à reprendre en main des données un peu dispersées. Après avoir regroupé l’IRM et les résultats MEG de chaque sujet, j’ai recadré la fenêtre de temps (-200 à 1000 ms), et j’ai retiré la ligne de base (moyenne du signal pré-stimulus) des données MEG. J’ai ensuite converti les fichiers au format requis par SPM pour que ce dernier puisse les lire. Il a fallu pour cela harmoniser les données sur le nombre, la 19 position, et l’orientation des capteurs chez tous les sujets. SPM (Statistical Parametric Mapping) est un logiciel sous Matlab qui permet l’analyse de données séquentielles d’imagerie cérébrale. Il est utilisé en IRMf, en TEP (Topographie à émission de positions), en EEG et en MEG. C’est ce logiciel que j’ai utilisé pour les reconstructions de sources et pour l’approche DCM. 3.2.2 Reconstruction de sources Principe La reconstruction de sources sert à localiser les régions dans le cerveau qui sont susceptibles d’avoir émis les signaux détectés en EEG ou en MEG Figure 5 – Illustration de ce que détectent l’EEG et la MEG. Source : (Gareth Barnes, 2012) MEG et EEG Pour comprendre le principe de reconstruction de sources à partir de données MEG, il faut déjà savoir ce que détecte la MEG. Les neurones pyramidaux corticaux sont responsables des signaux enregistrés par la MEG. Plus précisément les courants excitateurs post synaptiques, dont la propagation a lieu le long des dendrites, sont les sources des signaux perçus par l’EEG et la MEG. Les potentiels d’action qui se propagent le long des axones sont plus difficilement détectés car ils ne durent pas assez longtemps. Les neurones pyramidaux sont regroupés en macrocolonnes de 10 000 neurones , orientés perpendiculairement au cortex, et s’activent de façon synchronisée au sein d’une même macrocolonne. Ils émettent alors un courant, dit courant primaire, qui circule perpendiculairement au cortex, et qui peut être modélisé par un dipôle de courant. Ce courant engendre des courants secondaires (ou courants volumiques) qui circulent à l’extérieur des neurones et ferment la boucle du circuit électrique. Ces courants sont ceux détectés 20 au niveau du scalp par les capteurs EEG. Les capteurs MEG (des bobines) détectent le champ magnétique induit par les courants primaires (Figure 5). Seule la composante tangentielle (par rapport au scalp) peut être perçue par ces capteurs, alors que les capteurs EEG peuvent détecter aussi les composantes radiales. Mais l’avantage de la MEG est que le signal n’est pas sensible aux différentes conductivités ni à la forme de la tête, contrairement à l’EEG. L’inconvénient de la MEG par rapport à l’EEG est qu’elle est moins sensible aux sources profondes (Barnes, 2012). L’EEG et la MEG sont les méthodes d’imagerie fonctionnelles qui ont la plus haute résolution temporelle (inférieure à 100 ms), cette précision permet d’étudier l’évolution des processus neuraux, à l’échelle des macrocolonnes de neurones (Baillet et al., 2001), ce qui permet des reconstructions de sources de bonne précision. Il y a deux grandes étapes lors d’une reconstruction de sources : le problème direct et le problème inverse. Problème direct Le problème direct consiste à modéliser le champ magnétique détecté autour du scalp en fonction d’une configuration canonique de sources. Si on note Y le vecteur correspondant aux données MEG , J le vecteur correspondant aux différentes sources possibles , L la matrice de gain et ε l’erreur (de la forme d’une gaussienne de moyenne 0), on a alors la relation linéaire suivante pour un modèle de sources distribuées : Y = LJ + ε (1) Résoudre le problème direct consiste à calculer L. L représente les valeurs reçues au niveau de chaque capteur pour une configuration de sources où chaque source (une au niveau de chaque sommet du maillage des sujets) émet avec une intensité unitaire et dans la direction orthogonale à la surface sur laquelle elle se trouve. Généralement on suppose que les sources détectées par la MEG (ou l’EEG) se trouvent sur la surface du cortex. Le maillage du cortex est une décomposition de la surface corticale, en plusieurs milliers de sommets et de faces (réunion de 3 sommets, utilisées pour calculer l’orientation des sources). Pour créer les maillages correspondants aux IRM de chaque sujet, on part d’un maillage standardisé à partir d’un modèle d’IRM. SPM utilise comme modèle celui du MNI (Montreal Neurological Institute), qui est un modèle IRM moyen calculé à partir de nombreux IRM individuels. Le maillage de ce cortex est déjà calculé et utilisé par SPM. Pour définir le maillage d’un sujet, SPM calcule la transformation nécessaire pour passer de l’IRM du sujet à l’IRM template du MNI. Il va ensuite appliquée la transformation inverse sur le maillage canonique du MNI, et cela donne le maillage du sujet. C’est à partir de ce maillage que sera calculée la 21 reconstruction de sources. Pour calculer la matrice de gain il faut connaitre la conductivité et la forme de la tête. En MEG on va faire l’hypothèse que la conductivité est la même en tout point de la tête, et qu’elle ne varie pas entre les sujets (approximation censée car le signal dépend peu de la connectivité). On va également faire une hypothèse sur la forme de la tête. L’hypothèse qu’on a utilisée est celle des sphères locales. La tête est modélisée par une sphère différente et ajustée pour chaque capteur. SPM peut alors calculer relativement rapidement la matrice de gain et donc résoudre le problème direct. Problème inverse Le problème inverse consiste à estimer J à partir de Y . C’est à dire à calculer l’intensité des sources qui ont engendré les données MEG. On va se placer dans le cas de sources distribuées : c’est à dire qu’on considère un grand nombre de dipôles fixes (placés aux sommets du maillage). Ce modèle est linéaire mais a comme inconvénient qu’il n’est pas solvable directement (L n’est pas inversible). En effet il y a beaucoup plus de sources que de capteurs. Dans notre étude on a environ 10 000 sources pour 151 capteurs. Il y a donc trop de solutions possibles pour un même jeu de données MEG. On peut néanmoins résoudre ce problème par une approche Bayésienne, en voici la méthode (Lopez et al., 2014). Considérons qu’a priori J est une Gaussienne centrée en 0 et notons Q sa covariance. De même on peut noter Qε la covariance de ε. L’estimateur de J correspond à l’espérance de la distribution des sources a posteriori. Jˆ = E[p(J|Y )] (2) Or d’après le théorème de Bayes on a : p(J|Y ) = p(Y |J)p(J) p(Y ) (3) avec p(Y |J) la vraisemblance de la distribution de sources, p(J) la probabilité a priori de la distribution, p(J|Y ) la probabilité a posteriori et p(Y ) l’évidence, qui est constante pour un même jeu de données Y (Figure 6). Or p(Y |J) est une gaussienne centrée en LJ et de covariance Qε . Les calculs de probabilités sur les lois normales nous donnent donc : 1 1 T −1 p(J|Y )p(J) ∝ exp(− (LJ − Y )T Q−1 ε (LJ − Y ) − J Q J) 2 2 (4) Or on veut J qui maximise cette expression, donc en dérivant son log par J et en cherchant la racine de la nouvelle expression, on obtient : 22 Figure 6 – Illustration du problème direct et inverse d’un point de vue Bayésien Jˆ = QLT (Qε + LQLT )−1 Y (5) Sachant qu’on connaı̂t L et Y il suffit maintenant de connaı̂tre les covariances Q et Qε pour estimer J. On prend généralement Qε comme étant la matrice identité multipliée par un scalaire, cela signifie que la variance du bruit est la même pour tous les capteurs. Pour Q plusieurs options sont possibles, dont l’option IID (Independent and Identically Distributed sources) aussi appelée minimum norm, l’option LORETA et l’option MSP (Multiple Sparse Priors). Dans le mode IID, la matrice de covariance Q est la matrice identité multipliée par un scalaire. Cela signifie que les covariances entre les sources sont nulles, donc qu’elles sont indépendantes. Pour le choix LORETA, il y a une corrélation entre les sources et leurs voisines. Pour l’option MSP, il y a plusieurs matrices de covariances, correspondant à différentes régions du cerveau (cf Figure 7). Savoir quelle option choisir se fait plutôt de façon empirique, il est difficile de savoir à l’avance quel modèle sera le mieux adapté aux données mesurées. Généralement avec l’IID on a des sources plus étalées et avec MSP elles sont plus intenses et plus focales. MSP est aussi plus sensible que IID aux erreurs dans le calcul du modèle direct (distorsion d’IRM, mouvement, pauvreté de la segmentation corticale..). LORETA n’a pas été testée séparément dans ce travail, car cette contrainte est incluse dans la solution MSP. Pour accélérer les calculs, SPM effectue aussi une réduction de la dimentionalité des données MEG et de la matrice de gain. 23 Figure 7 – Matrices de covariance Q pour a) l’IID, b) LORETA, c) et d)MSP. Source : (Lopez, 2013) Enfin quand on teste plusieurs sujets sur la même tâche, une autre hypothèse simplificatrice que l’on peut faire est d’estimer que les sujets ont en moyenne les mêmes régions qui s’activent au même moment, on fait alors une inversion de groupe (Litvak and Friston, 2008). Élaboration d’un maillage canonique Dans notre expérience on s’intéresse aux sources activées durant des tâches de mémoire sémantique et épisodique. L’hippocampe jouant un rôle très important dans ces sortes de mémoire (surtout pour la mémoire épisodique), il était primordial de pouvoir localiser des sources dans l’hippocampe. Il a fallu pour cela créer un maillage qui contienne cette région en plus du cortex. Pour cela on a utilisé un modèle anatomique de l’hippocampe construit par Yohan Attal (Attal et al., 2012), on l’a segmenté pour en faire un maillage et on l’a rattaché au maillage du cortex de MNI. Le maillage par défaut du cortex utilisé par SPM comprenant environ 8000 sommets, il a fallu trouver le bon nombre de sommets à placer sur l’hippocampe, pour que la densité soit la même. Ensuite, après s’être aperçu en reconstruction de sources que le corps calleux ”s’activait”, on a effectué un travail d’optimisation sur le maillage du cortex en enlevant les sommets qui se trouvaient au niveau du corps calleux, car il ne peut pas physiquement y avoir de sources à ce niveau. Pour les besoins 24 Figure 8 – Maillage cortex, hippocampe et amygdale utilisé Figure 9 – Recalage : superposition du maillage (en bleu) avec les capteurs MEG (vert). Les fiduciaires apparaissent en violet et bleu ciel. d’une autre expérience dans l’équipe, on a également rajouté un maillage de l’amygdale. Dans mes reconstructions de source je ne devrais normalement pas voir d’activation à cet endroit pour autant. Le maillage final est en Figure 8. Recalage La deuxième étape après l’élaboration des maillages des sujets est le recalage. Il s’agit de superposer le maillage issu de l’IRM avec les capteurs MEG en s’assurant que les fiduciaires MEG et IRM coincident bien (Figure 9). 25 Différentes reconstructions de sources testées Deux modes de reconstruction de sources sont possible : le mode évoqué et le mode induit. Le mode évoqué consiste à moyenner les essais avant de faire l’inversion. Il s’oppose au mode induit qui consiste à effectuer l’inversion sur chaque essai puis à moyenner les résultats. Le mode évoqué est privilégié quand on a un signal à phase verrouillée. C’est à dire que variations dans les champs évoqués surviennent à peu près au même moment après l’apparition du stimulus à chaque essai. Il permet alors d’éliminer le bruit en amont de la reconstruction. Le mode induit est utilisé quand les variations du signal ne surviennent pas toujours au même moment. Pour mes reconstructions, j’ai utilisé le mode évoqué car nos signaux de champs évoqués étaient calés en phase par rapport aux stimuli. Les premières reconstructions de sources ont servi à raffiner le maillage. La première a permis de voir qu’il fallait enlever les sommets au niveau du corps calleux. La deuxième mettait en évidence un hippocampe très marqué, ce qui nous a mené à ajuster la densité des sommets dans l’hippocampe à celle du cortex. Pour les reconstructions de sources, j’ai à chaque fois utilisé l’inversion de groupe, en séparant sujets et patients. Et j’ai fait les analyses sur les sources significativement actives, moyennées sur des fenêtres de temps de 200 ms, et moyennées entre les sujets, ou entre les patients. J’ai également retiré la baseline à chaque fois. J’ai commencé avec un filtrage passe bande de 1 à 48 Hz, et j’ai additionné les conditions deux à deux (dans le vecteur de contraste). Au total cela faisait des reconstructions de sources dans 5 fenêtres de temps et pour 3 conditions (tâche sémantique, tâche épisodique inconnu, tâche épisodique connu) pour les sujets sains, et pour les MA (ex Figure 10) J’ai effectué des reconstructions en mode IID et en mode MSP. Dans le mode IID j’avais des sources très étalées, surtout dans la dernière fenêtre de temps. En mode MSP j’avais le problème inverse, je n’avais presque pas de signal significatif dans certaines fenêtres de temps chez les sujets sains et quasiment aucun signal chez les MA (Figure 11). Le fait de n’avoir aucune source significative chez les MA pourrait indiquer que les erreurs dans le modèles directs ont été plus importantes chez les MA (vue que le mode MSP est sensible à ces erreurs), ou bien qu’il y a plus de variabilité entre les patients. J’ai testé pour le mode MSP de diminuer le poids donné aux sources profondes (dans un script de spm) mais cela n’a rien donné de concluant. J’ai remarqué qu’en mode IID il n’y avait pas de pondération en fonction des profondeurs des sources. Une fois repassée en IID j’ai testé plusieurs filtrages : j’ai remarqué qu’il n’y avait pas de différence si on réduisait le spectre à [2, 20] Hz au lieu de [1 48] qui est le spectre par défaut. Par contre si on commence à 26 Figure 10 – Sources apparaissant comme actives (p < 0.05), en mode IID, lors de la tâche sémantique. Les conditions connu et inconnu ont été moyennées. En haut figurent les sujets sains et en bas les MA. Figure 11 – Sources apparaissant comme actives (p < 0.05), en mode MSP, lors de la tâche sémantique. Les conditions connu et inconnu ont été moyennées. En haut figurent les sujets sains et en bas les MA. 27 0 Hz, on a des régions nouvelles qui sont actives et des régions anciennement actives qui ne le sont plus. J’ai donc regardé sur les données MEG si on avait des composantes entre 0 et 1 Hz sur un grand moyennage (moyennage des sujets), et je n’en ai pas trouvé. On peut donc penser qu’il s’agisse d’un biais dû à la difficulté qu’a SPM pour traiter les composantes continues. J’ai également testé de visualiser des patterns spécifiques à la nature de la mémoire utilisée, en soustrayant les conditions deux à deux. Les figures sont en Annexe 4. 3.2.3 DCM Principe L’approche Dynamic Causal Modeling (DCM) permet d’étudier la connectivité effective cérébrale, c’est à dire la façon dont les régions du cerveau sont connectées, en accordant une importance au sens des connexions. DCM considère le cerveau comme un système dynamique déterministe et non linéaire. DCM peut être utilisé pour étudier des régimes stationnaires, du couplage de phase, des réponses induites ou des réponses évoquées. Nous allons nous placer dans ce dernier cas. A partir d’un stimulus DCM va fabriquer une réponse déterministe qui est une simulation du potentiel ou champ évoqué (signal détecté par respectivement l’EEG ou la MEG), ou du signal BOLD (détecté par l’IRMf). Pour cela DCM s’appuie sur un modèle de masse neural qui s’inspire du modèle de Jansen (Jansen and Rit, 1995). Le but de ce modèle neural est de relier des variables neuronales (constantes de temps synaptique, efficacité synaptique, proportion d’excitation par rapport à l’inhibition, connectivité neuronale) à des données macroscopiques détectées par la MEEG, l’EEG ou l’IRMf. L’objectif de DCM est, à partir d’un modèle de connectivité qu’on lui donne en entrée, de trouver les paramètres de connectivité associés à ce modèle qui donnent la réponse la plus proche possible des données macroscopiques (Figure 12). L’estimation de ces paramètres s’effectue grâce une méthode d’inférence Bayésienne. Une représentation de la qualité des réponses est calculée (c’est l’évidence) et peut être comparée, par une sélection Bayésienne (BMS), à la qualité de réponse correspondant à d’autres modèles de connectivité. On peut donc ainsi en déduire le meilleur modèle de connectivité qui correspond aux données enregistrées. DCM permet ainsi de tester des hypothèses de connectivité effective correspondant à des tâches précises. Le modèle de masse neurale La plupart du cortex est composé de 6 couches de neurones et a une épaisseur comprise entre 3 et 6 mm. On peut regrouper ces 6 couches en 3 zones : les couches I à III forment la zone agranulaire supérieure, la couche IV correspond à la zone granulaire et les 28 Figure 12 – Illustration du principe de DCM. Source : (Jean Daunizeau, 2012) couches V et VI forment la zone agranulaire inférieure. Chacune de ces zones est peuplée par une population de neurones. La couche agranulaire supérieure contient les inter-neurones inhibiteurs, la couche granulaire les inter-neurones excitateurs et la couche agranulaire inférieure les neurones pyramidaux. Les connexions internes entre ces couches et les connexions extrinsèques apparaissent Figure 13. D’après ce modèle, les connexions extrinsèques ascendantes partent de la couche agranulaire inférieure et arrivent dans la couche granulaire. Les connexions extrinsèques descendantes partent de la couche agranulaire inférieure pour arriver dans les deux couches agranulaires. Et les connexions latérales partent aussi de la couche agranulaire inférieure mais arrivent dans les 3 couches. Le modèle neural de la Figure 14 représente les relations entre ces 3 sous populations de neurones. La ligne du haut correspond à la couche granulaire, celle du milieu à la couche agranulaire inférieure, et celle du bas à la couche agranulaire supérieure. p(t) représente l’arrivée d’une connexion extrinsèque ascendante. La Figure 15 est la représentation du modèle de masse utilisé dans DCM. Par rapport au modèle de Jansen, la modélisation des connexions extrinsèques descendantes et latérales est rajoutée.γ représente les paramètres de couplages intrinsèques, τe la constante de temps synaptique excitatrice, τi la constante de temps synaptique inhibitrice, He l’efficacité synaptique excitatrice, et Hi l’efficacité synaptique inhibitrice. . C f , C b et C l sont les paramètres de connectivités extrinsèques respectivement ascendants, descen29 Figure 13 – Exemple de réseau avec 3 sources corticales. Un input extérieur vient perturber l’état de repos. Les interactions entre les différentes régions se font grâce à des connexions excitatrices (codées par les matrices de couplage). A gauche sont détaillées les interactions au sein d’une même colonne corticale. Source : (David, 2006) Figure 14 – Modèle de Jansen d’une colonne corticale. Les blocs h représentent les synapses entre les populations de neurones. Ils effectuent une transformation différentielle du 2nd ordre linéaire, qui convertit le taux de potentiels d’actions en amont des synapses en potentiel de membrane post-synaptique. Les blocs Sigm représentent le soma des neurones et transforment le potentiel de membrane d’une population en taux de décharge de potentiels d’actions. Ci modélise la force des connexions synaptiques entre populations. Source : (Jansen, 1995) dants et latéraux. Ils correspondent aux valeurs des matrices de connectivité A dans SPM. Il y a également un paramètre d’entrée u représenté Figure 13. 30 Tous ces paramètres neuronaux sont ajustés par DCM, source par source. Figure 15 – Modèle de masse neurale utilisé par DCM. Source : (David, 2006) Inférence Bayésienne Estimer les paramètres neuronaux revient à calculer la densité de probabilité a posteriori de ces paramètres (David et al., 2006). Cette densité s’écrit, d’après le théorème de Bayes, de la forme : p(Y |θ, m)p(θ, m) (6) p(Y |m) où p(Y |θ, m) est la vraisemblance, p(θ, m) la probabilité a priori et p(Y |m) l’évidence du modèle. Un algorithme Espérance-Maximisation est utilisé pour estimer au mieux ces paramètres non observables. Il consiste à prendre un jeu initial de paramètres, à calculer la réponse du modèle générateur et à la comparer avec des données macroscopiques réelles. Ensuite il utilise l’écart observé pour améliorer le jeu de paramètres, puis recommence la simulation jusqu’à ce qu’il y ait convergence (Daunizeau, 2012). Une fois la convergence atteinte, on a accès à la distribution a posteriori et à l’évidence du modèle. p(θ|Y, m) = Comparaison des modèles. L’évidence du modèle sert à comparer la pertinence des modèles. Elle peut s’écrire sous une forme intégrée : Z p(Y |m) = p(Y |θ, m)p(θ, m)dθ (7) 31 Elle peut être décomposée en un terme de précision et un terme de complexité. Elle est augmentée avec la capacité qu’a le modèle de fournir une réponse ajustée aux données, mais est diminuée quand celui-ci est trop complexe (quand il a trop de paramètres). Le modèle de sélection Bayésien (BMS) compare la probabilité a posteriori des modèles. Cette probabilité s’écrit sous la forme : p(m|Y ) = p(Y |m)p(m) p(Y ) (8) Si on considère que les modèles ont la même probabilité a priori (p(m)), alors comme p(Y ) est constante pour un même jeu de données macroscopiques, on a : p(m|Y ) ∝ p(Y |m) (9) Quand on a 2 modèles A et B, on considère qu’A est le modèle le mieux adapté aux données, quand p(m = A|Y ) > 0.75 ,(ce qui revient à dire p(m = B|Y ) < 0.25)(Penny, 2012). Si on veut trouver le meilleur modèle quand on a plusieurs sujets, on peut choisir entre deux modes. Le mode FFX (à effet fixe) compare les moyennes des évidences de chaque modèle. Le mode RFX (à effet aléatoire) prend également en compte combien de sujets préfèrent chaque modèle. Cela permet de limiter l’impact de certains sujets qui privilégieraient avec une grande évidence le modèle inverse qui convient à la majorité (Penny, 2012). SPM permet également de comparer des familles de modèles entre elles. Ceci peut être utile quand la sélection Bayésienne ne permet pas de favoriser un modèle par rapport aux autres, de façon fiable. Ce procédé est appelé BMA (Bayesian Model Averaging). Choix des modèles de connectivité à tester Si on veut tester un modèle de connectivité avec DCM avec l’option ECD (Equivalent current dipoles), qui est celle que j’ai utilisée, il faut choisir les sources dont on veut tester la connectivité. Mon but étant de modéliser la connectivité qui a lieu lors de tâches de mémoire sémantique et épisodique, je me suis aidée de la bibliographie et de mes reconstructions de sources pour choisir les sources qui me paraissaient les plus pertinentes. J’ai alors choisi 10 sources (5 par hémisphère) : V1 (dans le lobe occipital, c’est lui qui recevra le signal d’entrée dans DCM), le fusiforme, le cortex pariétal (au niveau du gyrus angulaire), l’hippocampe et le cortex frontal (dans le gyrus frontal moyen). J’ai choisi les positions précises en fonction des maximums d’intensité que j’avais trouvés dans ces régions. Pour ce qui est du choix de la connectivité entre 32 ces régions, je me suis basée sur un nouvel atlas de connectivité cérébrale, issu de stimulations intracrâniennes, encore jamais utilisé dans le cadre de DCM (David et al., 2013). Cette atlas montre pour chaque région du cerveau, les zones activées lors de la stimulation par SEEG (électroencéphalographie stéréotaxique) d’une région particulière, et l’intensité des activations. Les enregistrements des activations sont également fait par SEEG. Un exemple d’une carte d’activation se trouve en Figure 16. Figure 16 – Cartographie, issue de l’atlas de connectivité, de l’activité du cerveau lors de la stimulation de l’hippocampe gauche. En bleu apparaissent les régions non actives, en rouge les plus actives. Les régions non colorées non pas encore été testées. J’ai pu alors obtenir une matrice de connectivité, avec les intensité de connexions d’après l’Atlas, entre chacune des sources que j’avais choisies (Figure 17). 33 Figure 17 – Matrice de connectivité entre les régions V1, fusiforme, pariétal (gyrus angulaire), hippocampe et frontal moyen. Les colonnes représentent les régions émettrices et les lignes les régions réceptives (dans le même ordre que ci-dessus). Le bleu représentent les faibles intensités et le rouge les fortes. Cette matrice m’a permis d’établir un modèle de connectivité anatomique. Afin de vérifier que DCM, utilisé à partir de données MEG, peut modéliser les connexions de l’hippocampe, j’ai construit un modèle de contraste par rapport à l’hippocampe. Si la BMS donne une évidence significativement plus forte pour le modèle anatomique, cela signifiera que DCM en MEG peut effectivement modéliser les connexions hippocampiques. J’ai également 6 autres modèles, pour pouvoir tester certaines connexions particulières, soit qui apparaissaient modérées dans l’atlas (comme P a− > Hi), ou soit qui apparaissent dans d’autres études mais pas dans l’atlas. C’est le cas de la connexion F g < − > F r qui est mise en évidence dans l’étude (Miller and D’Esposito, 2012). C’est aussi le cas de la connexion Hi < − > F r, qui apparait dans (Dalla Barba and La Corte, 2013). Mais cette différence s’explique par le fait que dans l’étude de G. Dalla Barba, il s’agit du cortex frontal orbital, alors que dans mon étude j’ai pris le gyrys frontal moyen. Les 8 modèles se trouvent Figure 18. Choix des paramètres de DCM Utiliser DCM demande de choisir un certain nombre de paramètres. Comme mentionné précédemment j’ai travaillé en réponse évoquée (ERP) et en mode ECD. Ensuite mes tests de reconstruction de source et quelques calculs DCM sur un sujet m’ont permis de voir qu’avec mes données je pouvais prendre comme fenêtre de fréquence du [2 20] Hz. Malheureusement le fit des ondes tardives (au delà de 300 ms) n’était pas très bon. J’ai donc augmenté les constantes de temps synaptique. Une multiplication de ces paramètres par 1.5 a donné un bien meilleur fit des ondes tardives, sans réduire celui des ondes précoces 19. 34 Figure 18 – Représentation du modèle anatomique issu de l’Atlas (L100), du modèle de contraste (L101) et de 6 autres modèles proches de L100. Les sources d’un seul hémisphère sont représentées ici. Le signal d’entrée arrive en V1 et se propage après aux autres régions, en suivant les flèches. Les connexions rouges sont les connexions ascendantes et les bleues les descendantes. Ce modèle comprend aussi des connexions latérales qui relient les mêmes régions des deux hémisphères. Lancement des calculs sur le cluster de l’ICM J’avais donc 8 modèles à tester, dont le modèle de référence qui donnait un bon ajustement avec les données, sur 11 sujets sains et 9 patients (j’en ai retiré un de plus car c’était un sujet virtuel composé d’une association des données MEG de 2 patients, donc j’ai eu peur que cela fausse les résultats). Sachant qu’un ordinateur tout seul met environ 5 heures à un faire un calcul DCM pour un modèle sur un sujet, il faudrait compter 800 heures de calcul. J’ai donc utilisé un cluster (celui de l’ICM) pour effectuer les calculs. Suivant le nombre d’autres calculs 35 Figure 19 – Comparaison des données MEG (en pointillé) avec les champs évoqués simulés par DCM. Les 6 essais correspondent aux 6 conditions (connu, inconnu, ancien inconnu, nouveau inconnu, ancien connu, nouveau connu). Les 10 modes sont issus d’un calcul d’ACP. lancés, le cluster met entre 2 à 3 jours pour calculer cette quantité de calculs DCM. Premiers résultats et élaboration de nouveaux modèles à tester Une fois les calculs terminés, j’ai effectué un BMS dont le résultat apparaı̂t Figure 20. On peut constater que le modèle de contraste(no 2) a une meilleur évidence que le modèle construit à partir de l’atlas (no 1) et que la plupart des autres modèles. Cette différence étant encore plus marquée chez les patients. Pour ces derniers le résultat est moins surprenant car la maladie d’Alzheimer, étant accompagnée d’une détérioration de l’hippocampe, on peut supposer que les connexions entre l’hippocampe et les autres structures vont être plus faibles que la normale. Pour vérifier chez les sujets sains, que le succès du modèle de contraste ne soit pas dû au fait que les autres modèles, assez similaires entre eux, se divisent les probabilités d’être les meilleurs, j’ai effectué des 36 (b) Patients Alzheimer (a) Sujets sains Figure 20 – Résulats du BMS pour les modèles L100 à L107 pour les sujets sains. En haut figurent les évidences des modèles (moyennées selon le mode RFX), en bas figurent les probabilités de chaque modèle d’être meilleur que les autres. BMS entre le modèle de contraste et chaque autre modèle (pris séparément). A chaque fois j’ai constaté un avantage pour le modèle de contraste, ce qui réfute l’hypothèse précédente. On peut alors se demander si ce problème ne vient pas du fait que l’hippocampe émet des ondes plus tardives ( > 400ms) que ce que le modèle L100 ne peut simuler. Le modèle L101 ayant un chemin avec une source en plus entre V1 et l’hippocampe (en passant par le frontal) pourrait modéliser une activation plus tardive de l’hippocampe, et donc donner un ajustement plus fidèle des données. Pour vérifier cette hypothèse, j’ai créé 3 nouveaux modèles en rajoutant une source occipitale entre V1 et le fusiforme, ce qui se fait dans certaines études (Rudrauf et al., 2008).Et en ne mettant qu’un V1 pour limiter le nombre de sources. Elles sont représentées Figure 21. Pour établir les nouvelles connexions du nouveau 37 modèle de référence (J100), je me suis de nouveau appuyée sur l’atlas. J’ai choisi délibérément de ne pas mettre toutes les connexions significatives de l’atlas car les modèles avec trop de connexions ont une évidence plus faible. J’ai néanmoins rajouté la connexion hippocampe-frontale pour le cas où elle jouerait un rôle important (comme pourrait aussi le suggérer les résultats de L101). J’ai construit un modèle de contraste où l’hippocampe n’est connecté à aucune source (J101), et j’ai rajouté un modèle simplifié (J102) du modèle de référence. Figure 21 – Modèles supplémentaires de connectivité. J100 est le nouveau modèle de référence, J101 est le modèle de contraste et J102 est le modèle de référence simplifié 3.3 3.3.1 Résultats finaux Analyse des résultats de reconstruction de sources La reconstruction de sources en IID, filtrée en dessous de 1 Hz et au dessus de 48 Hz nous a donné les images en Figure 22. Les tâches sémantique (ST)(regroupant les conditions connu et inconnu), épisodique inconnu (ETI) (regroupant les conditions ancien inconnu et nouveau inconnu) et épisodique connu (ETC)(regroupant ancien connu et nouveau connu) ont été calculées en reconstruction de sources séparément, à la fois chez les sujets sains (en haut) et chez les patients (en bas). 38 Analyse des résultats chez les sujets sains. On observe une activité occipitale, liée à la perception des visages, jusqu’à 400 ms dans les 3 conditions. On observe dans les 3 conditions également la participation du gyrus angulaire , cela confirme les études qui montrent son implication dans la récupération mnésique. En tâche ST on observe une activité frontale à partir de 200 ms jusqu’à 1000 ms, elle semble traduire la récupération de l’information sémantique et l’encodage de l’information épisodique. On observe aussi une activation tardive de l’hippocampe (entre 800 et 1000 ms). La participation de l’hippocampe dans le traitement sémantique a été montrée dans certaines études (Ryan et al., 2008). Dans la tâche ETI, le cortex frontal est activé de 400 à 800 ms, avec une dominance à droite au début. Cela confirmerait que la récupération épisodique a lieu principalement dans le cortex frontal droit, comme le dit la littérature décrite dans la 1ere partie. On observe aussi une activation de l’hippocampe droit entre 600 et 800 ms. Dans la condition ETC, les résultats montrent une activation du cortex frontal avec dominance à droite, à partir de 400 ms et jusqu’à 1000 ms. Cela est en accord avec la localisation courante de la récupération épisodique. L’hippocampe droit est faiblement activé à partir de 800 ms. Analyse des résultats chez les patients Les sujets MA ne semblent pas avoir d’activité occipitale modifiée par rapport aux sujets sains. Par contre à aucun moment on n’observe d’activation hippocampique, ce qui est cohérent avec une détérioration de l’hippocampe dans cette maladie. Dans la tâche ETI, contrairement aux sujets sains, on n’observe pas d’activité du pariétal et très peu de frontal. Dans la tâche ETC, on observe une activité précoce du cortex frontal entre 200 et 400 ms, ce qui est en accord avec les résultats MEG de l’étude. Analyse des résultats de modulation entre les conditions En Annexe 4 figurent les résultats de modulation au sein des tâches. Comme on a fait la différence entre les conditions, on n’observe moins de sources actives en moyenne. Les sources activées correspondraient donc aux caractéristiques purement sémantiques pour ST, purement épisodique pour ETI, et mixte pour ETC. Dans la condition ST, on observe, chez les MA, une activation du cortex temporal gauche entre 200 et 400 ms. Ceci confirme l’étude (Walla, 2001) qui montre qu’il y a une activité plus forte dans cette zone lors d’un encodage sémantique par rapport à un encodage perceptif. Chez les sujets sains on constate une activation du cortex préfrontal à partir de 600 ms. Cela pour 39 être le corrélat de la P600 qui est une des caractéristiques des traitements sémantiques. Dans la condition ETI, on observe entre 400 et 600 ms, chez les sujets sains, une activation du frontal latéral droit, qui pourrait correspondre à un effet old-new, de plus cela confirmerait que le cortex frontal droit serait principalement activé en récupération épisodique. Chez les MA, on observe dans la même fenêtre de temps une importante activation du cortex temporal gauche, qui pourrait éventuellement aussi correspondre à un effet old-new. En condition ETC, les MA présentent des activations bilatérales du pariétal à partir de 400 ms. Chez les sujets sains on retrouve des caractéristiques sémantiques et épisodiques. En effet on a une activation entre 400 et 600 ms du cortex temporal gauche (caractéristique sémantique) et une activation dans le préfrontal droit (caractéristique épisodique). Ceci montre que la récupération épisodique a été influencé par le traitement sémantique qui a précédé. Cela indiquerait qu’il y a bien une interaction entre les mémoires épisodiques et sémantiques. Pour conclure sur la différence notée entre les sources actives chez les sujets sains et chez les MA, on peut constater que certains corrélats de la mémoire épisodique n’apparaissent pas (comme l’hippocampe). Cependant les MA ne se caractérisent pas seulement par une diminution de l’activité des sources, ils montrent aussi des activations qu’il n’y a pas chez les sujets sains. Ceci indiquerait qu’au stade léger de la maladie, une réorganisation fonctionnelle s’effectue. Voyons maintenant si les résultats DCM le confirment. 3.3.2 Résultats DCM et BMS Les BMS ont donné les résultats suivants : J100/J101 = 0.5/0.5 pour les NC (sujets sains) et 0.2/0.8 pour les MA J102/J100 = 0.41/0.59 pour les NC et 0.2/0.8 pour les MA J100/J102 = 0.5/0.5 pour les NC et 0.4/0.6 pour les MA Ces résultats montrent que le modèle J102 (hippocampe non connecté) correspond beaucoup mieux aux patients que les modèles issus de l’Atlas de connectivité (J100 et J102). Cela est cohérent avec la dégradation de l’hippocampe qui accompagne la maladie d’Alzheimer. Pour ce qui est des sujets sains, on ne voit pas de différence significative entre ces 3 modèles, alors que d’après l’atals, ils auraient dû privilégier le modèle J100 et le modèle J102. Le fait d’avoir la même évidence entre J100 ou J102 (modèles modérément complexes) et J101, pourrait indiquer que l’amélioration du fit apporté par ces modèles est contrebalancée par la pénalité qu’ils entrainent à cause de leur complexité qui est plus grande que celle de J101. Cela signifierait que la MEG ne détecte pas suffisamment bien l’hippocampe pour que ses connectivités 40 Figure 22 – Sources apparaissant comme actives (p < 0.05), lors des tâches ST (sémantique), ETI (épisodique inconnu) et ETC (épisodique connu). Les conditions ont été moyennées deux par deux. Au sein d’une même tâche, les sujets sains apparaissent en haut et les MA en bas. soient étudiées correctement par une approche DCM chez les sujets sains. Par contre chez les sujets MA, cela a clairement montré une non connectivité 41 (ou très faible) de l’hippocampe avec les autres sources impliquées dans les tâches de mémoire. 3.3.3 Statistiques sur les modulations N’ayant pas assez de familles pour faire un BMA, j’ai quand même étudié les modulations entre les tâches et entre les conditions NC ou MA en prenant comme référence le modèle J100 (c’est celui qui se rapproche le plus de l’atlas de connectivité). J’ai effectué un two-sample T-test sur toutes les valeurs de modulation de connectivité, données par les matrices BST , BET I et BET C . Les résultats qui ressortent de façon significative (p < 0.05) sont : Résultats du T-test entre les tâches. - Pour les sujets sains : ST > ET C pour LHi− > LF r (ce qui signifie : la connexion de l’hippocampe gauche vers le frontal gauche est significativement plus modulée dans la condition sémantique pure que dans la condition mixte). ET I > ET C pour LHi− > LF r (avec cette nouvelle information, on pourrait dire que cette connexion serait absente dans la tâche ETC). - Pour les sujets MA : ET C > ST pour LF g− > LHi ST > ET C pour LHi− > LP a ET C > ST pour LF r− > LP a ET C > ET I pour LF r− > LP a (ce qui signifierait que cette connexion n’est active que pendant la tâche ETC) On pourrait conclure de ces résultats que ETC n’a pas les mêmes caractéristiques de connectivité que ETI . Or la seule différence entre les deux étant que ETC a été précédé d’un traitement sémantique, cela mettrait en évidence l’interaction entre mémoire sémantique et épisodique d’un point de vue des connectivités effectives. Résultats du T-test entre la condition NC et MA - Pour la tâche ST : N C > M A pour LHi− > LF r - Pour la tâche ETI : M A > N C pour RF r− > RHi 42 N C > M A pour RP a− > RF r M A > N C pour LP a− > LF r M A > N C pour RP a− > ROc - Pour la tâche ETC : M A > N C pour LP a− > LF r N C > M A pour LHi− > LP a Ces résultats pourraient prêter à dire, mais avec beaucoup de précautions, que chez les MA, les connexions efférentes de l’hippocampe sont quasi nulles mais que ce n’est pas forcément le cas des connexions afférentes. En fait ceci est surtout vrai pour l’hippocampe droit d’après (Wu et al., 2011). De plus l’étude de Wu montre que la connexion hippocampe gauche vers pariétal gauche est quasi inexistante chez les MA, nous avons un résultat qui va dans le même sens. Plusieurs études ont déjà montré que la connexion entre le pariétal et l’occipital était renforcée chez les MA, ceci étant un phénomène de compensation (Huang et al., 2009), ce qui est aussi confirmé par un de nos résultats. 4 Discussion Dans cette étude, on s’est posé la question de l’interaction entre mémoire sémantique et mémoire épisodique. On l’a abordée par le biais des reconstructions de sources à partir de données MEG. On a pu voir qu’une tâche de récupération épisodique dont l’encodage a été fait en même temps qu’un traitement sémantique, ne présente pas les mêmes régions d’activation que pour le cas où il n’y a pas eu de traitement sémantique. De plus elle présente des caractéristiques communes avec la tâche purement sémantique. On peut alors penser que durant la tâche de récupération épisodique avec encodage sémantique, les régions du traitement sémantique sont en partie réactivées. On a ensuite tenté de préciser ces interactions d’un point de vue de la connectivité effective. On a alors remarqué que certaines connexions étaient significativement plus fortes dans la condition avec interaction entre les deux systèmes de mémoire. Ces connexions pourraient faire partie d’un pattern de connectivité spécifique à l’interaction entre ces types mémoires. Néanmoins il faut prendre ces résultats avec recul, car les tests n’ont été faits que sur un seul modèle de connectivité. Un travail complémentaire intéressant qui pourrait être fait, serait de tester ces modulations sur un ensemble de modèles réalistes. Le problème est qu’une analyse DCM basée sur des données MEG semble avoir des difficultés à modéliser les connexions hippocampiques. Or cette région est primordiale en mémoire épisodique, et donc importante pour 43 analyser l’interaction entre les deux systèmes de mémoire. On peut se demander si une analyse DCM basée sur l’EEG ne serait pas une meilleure méthode, car l’EEG est plus sensible aux sources profondes que la MEG. La deuxième question que l’on s’est posée concerne les différences neurophysiologiques entre des patients au début de la maladie d’Alzheimer et des sujets sains appariés en âge, dans le cadre des mémoires épisodique, sémantique et de leur interaction. La reconstruction de source a montré, pour les patients Alzheimer, une activation nulle de l’hippocampe durant les tâches de mémoire, ce qui peut expliquer le déficit en mémoire épisodique à ce stade de la maladie. On a aussi constaté que les activations durant la condition épisodique pour les visages connus, était différentes de celles des sujets sains, ce qui pourrait supposer une interaction différente entre les deux systèmes de mémoire. Néanmoins on a en moyenne peu de sources qui paraissent actives à la reconstruction pour les tâches de modulations. Les interprétations en sont donc moins fiables. On s’est également intéressé à la comparaison entre les connectivités effectives chez les sujets sains et chez les sujets Alzheimer. Les résultats BMS semblent montrer qu’il y a une absence de connexion entre l’hippocampe et les autres régions, ou qu’en tout cas elles sont significativement plus faibles que chez les sujets sains. Enfin les statistiques sur les modulations ont confirmé certains résultats issus de la littérature, comme le renforcement de la connexion entre le cortex pariétal et le cortex occipital chez les MA, qui traduirait un phénomène de compensation, et l’absence de connexions efférentes pour l’hippocampe droit. Un travail supplémentaire qui pourrait être fait est une ANOVA à deux facteurs, pour étudier d’une façon plus générale la significativité des différences entre MA et NC, et entre les 3 tâches de mémoire. 44 Bibliographie Références Attal, Y., B. Maess, A. Friederici, and O. David (2012). Head models and dynamic causal modeling of subcortical activity using magnetoencephalographic/electroencephalographic data. Reviews in the Neurosciences 23(1) : 85–95. Baillet, S., J.C. Mosher, and R.M. Leahy (2001). Electromagnetic brain mapping. IEEE Signal Processing Magazine 18 : 14–30. Baldo, J.V. and A.P. Shimamura (1998). Letter and category fluency in patients with frontal lobe lesions. Neuropsychology 12 : 259–267. Barnes, G. (2012). What are we mesuring with m/eeg ? SPM course. Bartok, J. A., Giordani B. Wilson, C. S and, B. A. Keys, C. C. Persad, and N. L. Foster (1997). Varying patterns of verbal recall, recognition and response bias with progression of alzheimer’s disease. Aging, Neuropsychology and Cognition 4 : 266–272. Cabeza, R. and L Nyberg (2000). Imaging cognition ii : An empirical review of 275 pet and fmri studies. Journal of Cognitive Neuroscience 12 : 1–47. Chainay, H. (2005). Déficit de la mémoire sémantique dans la démence de type alzheimer. In Ergis, A.M., M.C. Gély-Nargeot, and M. Linden, editors, Les troubles de la mémoire dans la maladie d’Alzheimer, pp. 141–171. Solal. Chee, M. W., K. M. O’Craven, R. Bergida, B. R. Rosen, and R. L. Savoy (1999). Auditory and visual word processing studied with fmri. Hum Brain Mapp 7 : 15–28. Corkin, S. (1984). Lasting consequences of bilateral medial temporal lobectomy : Clinical course and experimental findings in h.m. Seminars in Neurology 4 : 249–259. Dalla Barba, G. (2002). Memory, Consciousness and Temporality. Kluver Academic Publishers. Dalla Barba, G. and V. La Corte (2013). The hippocampus, a time machine that makes errors. Trends in Cognitive Sciences 17 : 102–104. Daunizeau, J. (2012). Dcm for evoked responses. SPM course. David, O., A.S. Job, L. De Palma, D. Hoffmann, L. Minotti, and P. Kahane (2013). Probabilistic functional tractography of the human cortex. NeuroImage 80 : 307–317. 45 David, O., S.J. Kiebel, L.M. Harrison, J. Mattout, J.M. Kilner, and K.J. Friston (2006). Dynamic causal modeling of evoked responses in eeg and meg. NeuroImage 30 : 1255–1272. Desgranges, B. and F. Eustache (2011). Les conceptions de la mémoire déclarative d’endel tulving et leurs conséquences actuelles. Revue de neuropsychologie 3 : 94–103. Friedman, D. (2013). The cognitive aging of episodic memory : a view based on the event-related brain potential. Frontiers in Behavioral Neuroscience 7(111). Goldblum, M.C., C.M Gomez, G. Dalla Barba, F. Boller, B. Deweer, and V. Hahn (1998). The influence of semantic and perceptual encoding on recognition memory in alzheimer’s disease. Neuropsychologia 36(8) : 717–729. Goldum, M. C., C.-M. Gomez, G. Dalla Barba, F. Boller, B. Deweer, and V. Hahn (1998). The influence of semantic and perceptual encoding on recognition memory in alzheimer’s disease. Neuropsychologia 36 : 717–729. Grady, C. L., A. R. McIntosh, B. Horwitz, J. M. Maisog, and L. Ungerleider (1995). Age-related reductions in human recognition memory due to impaired encoding. Science 269 : 8–22. Harvey, P.D. and C. Mohs (2001). Memory changes with aginig and dementia. In Hof, P.R. and C.V. Mobbs, editors, Functional Neurobiology of Aging, pp. 53–63. Academic Press. Hodges, J. and K. Graham (2001). Episodic memory : Insights from semantic demantia. Transactions of the Royal Society of London. Biological Sciences 356 : 1413–1434. Huang, S., J. Li, L. Sun, et al. (2009). Learning brain connectivity of alzheimer’s disease from neuroimaging data. NIPS 22 : 808–816. Inserm (2009). Alzheimer. Jansen, B. H. and V. G. Rit (1995). Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns. Biol. Cybern. 73 : 357–366. Khachaturian, Z. S. (1985). Diagnostic of alzheimer’s disease. Arch. Neurol. 42 : 1097–1105. Kutas, M. and S. A. Hillyard (1980). Reading senseless sentences : Brain potentials reflect semantic incongruity. Science 207 : 203–208. La Corte, V. (2012). Systèmes de mémoire et distorsions mnésiques : approches neuropsychologique et neurophysiologique. Ph.D. diss., Université Pierre et Marie Curie. 46 La Corte, V., G. Dalla Barba, J.D. Lemaréchal, L. Garnero, and N George (2012). Behavioural and magnetoencephalographic evidence for the interaction between semantic and episodic memory in healthy elderly subjects. Brain Topography 25 : 408–422. Lekeu, F. and M. Van Der Linden (2005). Le fonctionnement de la mémoire épisodique dans la maladie d’alzheimer. In Ergis, A.M., M.C. Gély-Nargeot, and M. Linden, editors, Les troubles de la mémoire dans la maladie d’Alzheimer, pp. 73–117. Solal. Litvak, V. and K. Friston (2008). Electromagnetic source reconstruction for group studies. NeuroImage 42 : 1490–1498. Lopez, J.D., V. Litvak, J.J. Espinosa, K.J. Friston, and G.R. Barnes (2014). Algorithmic procedures for bayesian meg/eeg sources reconstruction in spm. NeuroImage 84 : 476–487. Martin, A. and L.L. Chao (2001). Semantic memory and the brain : structure and processes. Current Opinion in Neurobiology 11 : 194–201. McCarthy, G., A. Puce, J.C. Gore, and T. Allison (1997). Face-specific processing in the human fusiform gyrus. J Cogn Neurosci 9 : 605–610. McKhann, G., D. Drachman, M. Folstein, R. Katzman, D. Price, and E. M. Stadlan (1984). Clinical diagnosis of alzheimer’s disease : Report of the nincds-adrda work group under the auspices of the department of health and human services task force on alzheimer’s disease. Neurology 34 : 939–944. Menon, V., J. Boyett-Anderson, A. Schatzberg, and A. Reiss (2002). Relating semantic and episodic memory systems. Cogn Brain Res 13(2) : 261–265. Miller, B.T. and M D’Esposito (2012). Spatial and temporal dynamics of cortical networks engaged in memory encoding and retrieval. Frontiers in Human Neuroscience 6. Olichney, J., V. J. Iragui, D. Salmon, B. R. Riggins, S. K. Morris, and M. Kutas (2006). Absent event-related potential (erp) word repetition effects in mild alzheimer’s disease. Clin. Neurophysiol. 117 : 1319–1330. Osterhout, L. and P. Holcomb (1992). Event-related brain potentials elicited by syntactic anomaly. Journal of Memory and Language 31 : 785–806. Penny, W. (2012). Bayesian model selection and averaging. SPM course. Rudrauf, D., O David, and others. (2008). Rapid interactions between the ventral visual stream and emotion-related structures rely on a two-pathway architecture. The Journal of Neuroscience 28(11) : 2793–2803. Ryan, L., C. Cox, S. M. Hayes, and L. Nadel (2008). Hippocampal activation during episodic and semantic memory retrieval : Comparing category production and category cued recall. Neuropsychologia 46 : 2109–2121. 47 Squire, L. (1986). Mechanisms of memory. Science 232 : 1612–1619. Staresina, B., H. Bauern, L. Deecke, and P. Walla (2005). Magnetoencephalographic correlates of different levels in subjective recognition memory. Neuroimage 27(1) : 83–94. Susuki, W. A. and D.G. Amaral (1994). Perirhinal and parahipocampal cortices of the macaque monkey : cortical afferents. J.Comp.Neurol. 350 : 497–533. Tendolkar, I., M. Rugg, J. Fell, H. Vogt, M. Scholz, and H. Hinrichs (2000). A magnetoencephalographic study of brain activity related to recognition memory in healthy young human subjects. Neurosci Lett 280(1) : 69–72. Tulving, E. (1972). Episodic and semantic memory. In Tulving, E. and Donaldson W., editors, Organisation of Memory, pp. 382–402. Academic Press. Tulving, E. (1985). logy 26 : 1–12. Memory and consciousness. Canadian Psycho- Tulving, E. (1995). Organisation of memory : quo vadis ? In Gazzaniga, M.S., editor, The cognitive neurosciences, pp. 839–847. MIT Press. Tulving, E. (2001). Episodic memory and common sense : How far apart ? Philosophical Transactions of the Royal Society of London. Biological Sciences 356 : 1505–1515. Tulving, E. (2002). Episodic memory : From mind to brain. Annu. Rev. Psychol. 53 : 1–25. Van Petten, C. and B. Luka (2006). Neural localization of semantic context effects in electromagnetic and hemodynamic studies. Brain and Language 97(3) : 279–293. Walla, P., E. Püregger, J. Lehrner, D. Mayer, L. Deecke, and P. Dal Bianco (2005). Depth of word processing in alzheimer patients and normal controls : A magnetoencephalographic (meg) study. J. Neural. Transm. 112(5) : 713–730. Warrington, E.K. (1975). The selective impairment of semantic memory. Quart J Exp Psychol 27 : 635–657. Wu, Xia, et al. (2011). Altered default mode network connectivity in alzheimer’s disease—a resting functional mri and bayesian network study. Human brain mapping 32 : 1868–1881. Zamrini, E., F. Maestu, E. Pekkonen, et al. (2011). Magnetoencephalography as a putative biomarker for alzheimer’s disease. International Journal of Alzheimer’s Disease 2011 : 1–10. 48 Zion-Golumbic, E., M. Kutas, and S. Bentin (2010). Neural dynamics associated with semantic and episodic memory for faces : evidence from multiple frequency bands. J Cogn Neurosci 22(2) : 263–277. Remerciements Je tiens à remercier mes encadrants : Yohan Attal, Olivier David et Gianfranco Dalla Barba, qui m’ont permis de faire ce stage. Je tiens particulièrement à remercier Yohan Attal et Olivier David pour la précieuse aide qu’ils m’ont accordée. Je tiens aussi à remercier Jean-Didier Lemaréchal pour le temps qu’il m’a consacré pour m’expliquer le fonctionnement de SPM, et pour résoudre mes nombreux problèmes informatiques. Je tiens également à remercier Valentina La Corte pour ses conseils en bibliographie. Pour finir je tiens à remercier mes collègues du GIN, notamment Manik BHATTACHARJEE pour ses conseils en informatique, et Astrid Kibleur pour sa collaboration. 49 Annexes Annexe 1 : Critères NINCDS-ADRDA Figure 23 – Critères NINCDS-ADRDA pour le diagnostique clinique de la maladie d’Alzheimer. Source : (McKhann, 1984) 50 Annexe 2 : Matériel et Méthode Figure 24 – Protocole expérimental détaillé de l’étude. Source : (La Corte, 2012) 51 Annexe 3 : Illustrations du champ évoqué Figure 25 – Source : (La Corte, 2012) 52 Figure 26 – Source : (La Corte, 2012) 53 Figure 27 – Source : (La Corte, 2012) 54 Annexe 4 : Modulation des sources pour les conditions sémantique, épisodique et mixte. Figure 28 – Modulation des sources apparaissant comme actives (p < 0.05), en mode IID, pour la condition purement sémantique : la condition inconnu a été soustraite à la condition connu. En haut figurent les sujets sains et en bas les MA. Figure 29 – Modulation des sources apparaissant comme actives (p < 0.05), en mode IID, pour la condition purement épisodique : la condition nouveau inconnu a été soustraite à la condition ancien inconnu. En haut figurent les sujets sains et en bas les MA. 55 Figure 30 – Modulation des sources apparaissant comme actives (p < 0.05), en mode IID, pour la condition mixte : la condition nouveau connu a été soustraite à la condition ancien connu. En haut figurent les sujets sains et en bas les MA. 56