L’emploi des outils computationnels en vue de la compréhension du système neuromusculaire Deux types de tâches 1. LA MODELISATION dont le but est la REPRODUCTION d’un certain type d’activité neuromusculaire à partir d’un ensemble de composants physiques (par ex., une tentative de mieux comprendre, à l’aide d’un modèle informatique, comment la locomotion pourrait être issue de l’activité collective des neurones et des muscles) 2. L’ANALYSE ou la description des données en utilisant des outils statistiques sophistiqués Une équation est un poème en chiffres et symboles. X = nombre de lapins Y = nombre de renards 1 y= − b ( x −t ) 1+ e X = nombre de lapins Y = nombre de renards 1 y= 1 + e − b ( x −t ) Une seule équation exprime tout cela : 1) Lorsqu’il y a peu de lapins, il y a également peu de renards. 2) Quand les lapins deviennent plus nombreux, la population de renards augmente, au début linéairement. La pente de la courbe est déterminée par un facteur b. Lorsque la valeur de b est petite, le nombre de renard s’accroissent lentement. Par contre, lorsque la valeur de b est importante, la pente de la courbe est très raide. 3) La population de renards n’augmente pas sans limite. Elle atteint un plateau. La relation donc entre le nombre de lapins et le nombre de renards est non linéaire. 4) La moitié de la population de renards est atteinte à t L’ANALYSE ou la description des données en utilisant des outils statistiques sophistiqués UVA Physical Medicine and Rehabilitation Quantitative Gait Analysis in the Rehabilitation Setting D. Casey Kerrigan, M.D., M.S. The use of quantitative gait analysis in the rehabilitation setting has increased only recently. Gait analysis methodology has been around for over 100 years; however, work to improve gait analysis technology and repeatability has occurred only over the past 10 years. Often in the past, the technical details of gait analysis made clinical gait analysis extremely cumbersome and time-consuming. Two major factors made the routine use of gait analysis impractical, particularly in individuals with poor walking ability. The first factor was the time and effort required for setting up and testing a subject and the associated burden to that person. Depending on a particular protocol, obtaining kinematics with video capture could require that the individual not use an assistive device or that he or she walk with his or her arms crossed. The apparatus attached to the person was frequently heavy and constricted joint movement. The second major limitation was the time and effort required to process and analyze the data. Such limitations undoubtedly prohibited gait analysis on a regular clinical basis. Il s’agit de quelle quantité de données ? Quantité de données pour un seul sujet 10 marqueurs pour les deux jambes. 200 échantillons par marqueurs par cycle de locomotion. Autrement dit, 2000 données pour les jambes par cycle locomoteur. On enregistre environ 10 cycles de marche par personne testé pour 4 types de marche (en avant, en arrière, sur chemin droit, sur chemin courbe). On a donc au total 80.000 données par personne testé. Un problème supplémentaire : données manquantes Données manquantes : 1. Marqueurs qui tombent ou se déplacent 2. Mouvements qui cachent certains marqueurs Les troubles neuromusculaires engendrent des problèmes locomoteurs qui peuvent être étudier au moyen d’une analyse 3D d’allure de marche. Maladie de Parkinson Myopathies Troubles des nerfs périphériques (le diabète) Troubles de jonctions neuromusculaires Troubles du cervelet L’emploi des réseaux de neurones artificiels pour traiter des données produites par des analyses en 3D de l’allure de marche. Qu’est-ce qu’un réseau de neurones artificiels ? Ce sont des réseaux construits sur des principes de fonctionnement et d’organisation des réseaux de vrais neurones. Ils sont capables de faire des traitements statistiques en empruntant certains principes Ils sont particulièrement efficaces dans l’analyse des grands volumes de données et lorsqu’il y a un nombre important de données manquantes. Un réseau de neurones consiste en : a) Un réseau de nœuds. (On pourrait concevoir un nœud comme un ensemble de neurones.) b) Connexions entre les nœuds. (Ces connexions sont les « synapses » du réseau.) Couche de sortie Couche d’entrée i wij j Un nœud influe sur des nœuds voisins grâce au poids synaptiques (wij) qui les relient. Le nœud i peut être vu comme un neurone (ou plutôt un groupe de neurones) pré-synaptique; le nœud j serait donc le neurone post-synaptique. La couche d’entrée reçoit le vecteur d’entrée qui contient des données à analyser (par ex., les positions x, y, z d’un marqueur). Couche de sortie Couche d’entrée Un des projets dans notre laboratoire INSERM/U887 est d’utiliser un réseau de neurones artificiels pour la classification des troubles locomoteurs. Dans ce cas, chaque nœud de sortie finirait par correspondre à un type précis de trouble locomoteur. normal polyarthrite coxarthrose diabète Couche d’entrée -- positions des marqueurs du patient ayant des troubles de locomotion Autrement dit, quand les données d’un patient atteint de diabète sont présentées à l’entrée du réseau, le nœud de sortie correspondant au « diabète » deviendra le plus actif. Il y a deux sortes de réseaux de neurones artificiels • Les réseaux supervisés – la réponse correcte est fournit par le chercheur, par ex le réseaux de rétropropagation (anglais backpropagation) • Les réseaux non-supervisés – le réseau trouve son propre solution, par ex le réseau de Kohonen L’apprentissage se passe par les modifications des poids synaptiques (PLT, DLT). Il y a deux phases pendant l’utilisation du réseaux de neurones • Phase d’entraînement – pendant cette phase les poids synaptiques changent pour s’approcher des valeurs du vecteur d’entrée. • Phase de test – les poids synaptiques se fixent et les testes de la capacité du réseau sont effectués. Un nœud Un nœud du réseau w1 w2 w3 …….. …….. …….. …… …… …… w226 Arbre 1 x1 x2 x3 x226 Non arbre 1 Non arbre 2 Arbre 2 Les réseaux non-supervisés Le réseau apprend à faire la classification lors d’une phase d’apprentissage où il modifie progressivement ses poids synaptiques afin qu’ils ressemblent de plus en plus aux valeurs qu’il a vues en entrée. Δwij(t) α ( wij(t) - xi(t) ) Le changement de poids… ..est proportionnel à.. … la différence entre les poids synaptiques actuels et les valeurs du vecteur d’entrée. Les réseaux supervisés Le réseau apprend à faire la classification lors d’une phase d’apprentissage où il modifie progressivement ses poids synaptiques afin qu’ils ressemblent de plus en plus aux valeurs fournis par le chercheur Δwij(t) α ( xi(t) – wij(t) ) Le changement de poids… ..est proportionnel à.. … la différence entre les poids synaptiques actuels et les valeurs correctes dans la couche de sortie. Deux types de tâches 1. LA MODELISATION dont le but est la REPRODUCTION d’un certain type d’activité neuromusculaire à partir d’un ensemble de composants physiques (par ex., une tentative de mieux comprendre, à l’aide d’un modèle informatique, comment la locomotion pourrait être issue de l’activité collective des neurones et des muscles) 2. L’ANALYSE ou la description des données en utilisant des outils statistiques sophistiqués Locomotion : deux buts distincts 1) Modèles du contrôle neuronal de la locomotion. a) une tentative de comprendre comment l’activité collective des neurones donne lieu à la locomotion. b) les neurones artificiels utilisés sont complexes. 2) Des réseaux de neurones sont également utilisés dans l’analyse des données de locomotion. a) ici le but n’est pas de comprendre comment les neurones peuvent engendrer la locomotion, mais simplement de faire des analyses statistiques des données de locomotion; b) les neurones artificiels utilisés sont relativement simples. Modèles du contrôle neuronal de la locomotion Les gens des zones rurales savent qu’un poulet est capable de courir après sa décapitation. Le contrôle descendant du cerveau n’est pas nécessaire pour la locomotion simple. Le chat décérébré est capable de marcher sur un tapis roulant suite à une stimulation électrique du tronc cérébral restant. La rétroaction sensoriel n’est pas nécessaire pour la locomotion simple. Les animaux ayant perdu les signaux entrant de la racine dorsale de la moelle épinière restent capables de produire une activité alternée des fléchisseurs et des extenseurs. Les mesures de EMG chez les animaux ayant perdu les signaux de la racine dorsale montrent qu’ils gardent une activation alternée des fléchisseurs et des extenseurs au bon moment du cycle de locomotion. Question: Où est donc stocké le programme central de locomotion? Réponse: La moelle épinière. Le patron répété de la locomotion est produit par des groupes de neurones autonomes de la moelle épinière appelés « générateurs centraux de rythme ». Comme le nom l’indique, ces neurones sont capables de produire de l’activité rythmique correspondant aux gestes de la locomotion sans avoir besoin d’un feedback cortical ou sensoriel. La plupart de notre information concernant ces générateurs centraux de rythme viennent des animaux pour lesquels on peut isoler la moelle épinière et les muscles associés du reste de l’animal afin d’observer leur comportement coordonné. Un animal souvent utilisé pour étudier le contrôle de la locomotion par les GCP est l’anguille lamproie. The animal for which there has been the most success doing this is the lamprey. Sea Lamprey - (Petromyzon marinus) Length: 12 to 20 inches Weight: 8 to 13 ounces In their natural habitat, sea lamprey -- like salmon and alewives -- are ocean fish that spawn in fresh water. The sea lamprey is an agressive parasite -- equipped with a tooth-filled mouth that flares open at the end of its eel-like body. When attacking, the lamprey fastens onto its prey and rasps out a hole with its rough tongue. An anticoagulant in the lamprey's saliva keeps the wound open for hours or weeks, until the lamprey is satiated or the host fish dies. In 1958, scientists finally found TFM -- a chemical that selectively kills sea lamprey larvae in their spawning streams -- and brought the lamprey under control. However, some biologists are concerned that these surviving populations might develop a resistance to the lampricide or, just as worrisome, an ability to spawn on the deltas at stream mouths -deeper waters not suitable for lampricide treatment. A more positive approach might be to harvest and market the lampreys. For centuries, river lampreys have been considered a delicacy in Europe -- King Henry I of England, in a fit of royal gluttony, is said to have died from a "surfeit of lamprey." But the unappetizing appearance of the eel-like fish and their unpalatable state when caught on their spawning runs has so far undermined their popularity as a food fish in this country. La moelle épinière est composée de segments. Qu’est-ce qu’un segment? Il s’agit de la plus petite partie de la moelle épinière capable de produire une sortie musculaire rythmique. La moelle épinière de l’anguille lamproie est composée d’environ 100 segments. Chaque segment peut être isolé du reste de la moelle épinière et reste néanmoins capable d’une activité rythmique. Autrement dit, il est son propre générateur central de rythme. Chaque segment consiste en une partie gauche et une partie droite. L’activité rythmique alterne entre ces deux parties pour créer de la locomotion. Le basculement d’une partie à l’autre est produit par des connexions inhibitrices qui relient les deux. Lorsque la gauche est activée, elle inhibe la droite et vice-versa. Ce mécanisme qui engendre de l’activité rythmique est très répandu dans le système nerveux et s’appelle un « oscillateur demi-centré ». Les détails du fonctionnement de cet oscillateur varient d’un animal à l’autre et d’un système à l’autre, mais est néanmoins le mécanisme de base de la plupart des activités rythmiques autonomes, tels que le battement cardiaque, les contractions du canal alimentaire, la nage et le vol chez certains animaux. L’organisation des segments de la lamproie Chaque segment consiste en environ 1000 neurones. Rt: neurones du tronc cérébral continuellement activé qui contrôlent l’initiation et le type de mouvement; Rph: neurones du tronc cérébral activés de manière intermittente E: interneurones excitateurs du segment I: interneurones inhibiteurs du segment (l’oscillateur demi-centré) L: interneurones inhibiteurs lateraux du segment M: neurones moteurs (responsables pour la contraction musculaire) SRE: les propriocepteurs excitateurs SRI: les propiocepteurs inhibiteurs (envoient de feedback sur l’état d’étirement du muscle) 1) Les neurones du tronc cérébral Rt et Rph activent les neurones (E,I, L, et M) d’un des cotés du premier segment de la moelle épinière (c.-à-d. ils excitent les neurones E, I, L, et M). 2) Les neurones E excitent tous les neurones du demi-segment du côté actif. 3) Les interneurones I traversent la ligne médiane, inhibant ainsi les neurones du côté controlatéral (inactif). Les interneurones I créent ainsi l’oscillateur demicentré. 4) Les interneurones latéraux L inhibent les interneurones I. 5) Les potentiels d’action provenant des interneurones M entraînent la contraction des muscles utilisés pour nager. 6) Lorsque la lamproie s’infléchit, les récepteurs d’étirement sur le côté controlatéral (inactif) sont activés et inhibent le côté actif. Bon nombre de modèles de complexité différente ont réussi à reproduire l’activité rythmique de la moelle épinière de la lamproie. L’art de la modélisation consiste en très grande partie à comprendre comment simplifier un système compliqué afin de le rendre compréhensible. Un modèle « simple » Modèle à neuf segments. Les muscles sont modélisés comme des ressorts. La contraction musculaire est modélisée comme la contraction du ressort. Nous nous prêterons une attention particulière au générateur central de rythme qui contrôle les muscles. Model d’un segment A B A muscle muscle M B C C Connexion excitatrice Connexion inhibitrice M La locomotion commence dans le premier segment par l’envoie de signaux excitateurs provenant du tronc cérébral. muscle M B C B C A M muscle A B M C B C A muscle muscle A M Motoneurone sur la gauche (côté actif) qui envoie le signal excitateur provoquant la contraction musculaire. Le corps de l’anguille lamproie vire vers le côté de la contraction musculaire. M B C B C A M L’inhibition de l’oscillateur demi-centré. Cette inhibition assure la relaxation des muscles sur le côté inactif. Cette activité opposée de part et d’autre du segment permet le mouvement de la tête et du corps. muscle muscle A M B C B C A M L’activité de l’interneurone latéral C du côté actif inhibe l’interneurone B du même côté (une partie de l’oscillateur demi-centré). La désinhibition du côté droit permet l’excitation de ce côté par le tronc cérébral. muscle muscle A muscle M B C B C A M Le propriocepteur du côté droit, activé par l’étirement du muscle, envoie un signal inhibiteur vers le côté gauche. Ceci inhibe les motoneurones à gauche et termine les contractions musculaires à gauche. muscle A Avec la terminaison d’inhibition sur le côté droite par le côté gauche, le côté droite devient actif. A M B C B C A M Architecture du modèle de la colonne vertébrale Neurones A, B and C Neurones M (Neurones moteurs) MR5 ML5 Couplage excitateur intersegmental. Couplage inhibiteur entre les deux moitiés de la colonne. La modélisation de l’activité d’un neurone individuel Les modèles les plus élémentaires considère le neurone comme une sorte de « boîte noire ». Autrement dit, seules les entrées et les sorties de la boîte sont prises en compte, sans tenir compte des mécanismes biologiques sous-tendant la transformation. − mi ∑w x ij j j i dmi τi = − mi + ∑ wij x j dt j xi = 1 1 + e − b ( mi −t ) ∑w x ij j synaptic input j i wij j Le signe (+ ou -) de wij détermine si la synapse est excitatrice ou inhibitrice. L’amplitude détermine le poids de la synapse. dmi τi = − mi + ∑ wij x j dt j mi = activité neuronale dm/dt = changement de l’activité neuronale avec le temps τi = constante temporelle du neurone qui détermine la vitesse de changement. -m = terme de fuite qui réduit l’activité neuronale. Plus le neurone est actif, plus grande est la fuite. Signal de sortie xi = 1 1+ e − b ( mi −t ) x – fréquence de décharge neuronal xi mi Ce dont ce modèle est capable. Le réglage de paramètres du modèle s’avèrent extrêmement important car un changement de paramètres pourrait changer de manière significative les résultats. Les ensembles 9 et 10 de paramètres produisent une activité qui ressemble fort à la nage chez la lamproie. Les signaux du tronc cérébral produit une vague d’activité neuronale qui propulse la lamproie vers l’avant. MR5 ML5 L’activité dans chaque segment est rythmique et les oscillations entre le côté gauche et le côté droite y sont anti-phasiques. Les potentiels d’action alternés de ces neurones moteurs créent des contractions alternées des muscles de part et d’autre de chaque segment. La vague d’activité se propage le long de la moelle épinière La fréquence des oscillations est à peu près la même dans chaque segment Le décalage d’activité entre les segments consécutifs est à peu près le même tout au long de la moelle épinière. Le décalage temporel = le délai d’activité entre deux segments / la durée d’un cycle. La vitesse de nage de la lamproie augmente avec l’intensité des signaux provenant du tronc cérébral. La vitesse de nage de la lamproie augmente avec l’intensité des signaux provenant du tronc cérébral. Par contre, indépendamment de la vitesse de nage, le décalage temporel entre l’activité des divers segments reste inchangé à environ 2% de la durée total du cycle. Un signal entrant asymétrique par rapport aux deux côtés de la lamproie cause celle-ci de tourner. Quel est le rôle de la rétroaction dans ce modèle The stretch proprioreceptors were not found to play an important role in swimming in calm water. In simulations of perturbed water however, the lamprey without stretch receptors was found unable to cross a barrier of rapidly flowing water.