Modèles mathématiques et computationnels en neurosciences Modèles de neurones et codage neuronal 4I702 CM 6 [email protected] 1 Page web de la 2e partie http://www.aging-vision-action.fr/education Mathema'cal and computa'onal models in neuroscience (UE 4I702) Examens 1. Projet par trinômes + présentation orale (5 minutes par personne) : 40 % 2. Examen écrit de 2h : 60% 2 Plan de la 2e partie Modèles mathématiques des bases physiologiques du traitement de l’information, de l’apprentissage et de la mémoire I. Modèles de neurones et codage neuronal II. Apprentissage supervisé et réseaux de neurones de type “feed-forward” III. Apprentissage non-supervisé et réseaux récurrents IV. Apprentissage par renforcement V. Modèles biophysiques de la plasticité synaptique 3 I. Modèles de neurones et codage neuronal ● Différents niveaux de la modélisation neuronale ● Codage neuronal et la transmission d’information 4 Pourquoi modélisation en neurosciences ? ● BRAIN Initiative : $300 millions par an pendant 10 ans “focuses on advancing our technological capabilities for understanding how circuits of interacting neurons function to create behavior” ● Human brain project, 1.19 milliards d’euros pour 10 ans “simuler le fonctionnement du cerveau humain grâce à un superordinateur, et dont les résultats obtenus ont pour but de développer de nouvelles thérapies médicales plus efficaces sur les maladies neurologiques” ● DARPA / SyNAPSE Program : $102.6 millions pour 3 ans “to build an electronic microprocessor system that matches a mammalian brain in function, size, and power consumption ” 5 Neurones et réseaux de neurones 6 Neurones et réseaux de neurones 7 Modélisation computationnelle pour les neurosciences ● Trouver des principes soustendant des phénomènes biologiques observés expérimentalement ● Unifier des données expérimentales sur différents niveaux d’organisation neuronale dans un modèle intégré ● Faire un lien entre des activités neuronales et comportement Modélisation Analyse du modèle Expérimentation Prédictions expérimentales Objectif : comprendre le fonctionnement des réseaux neuronaux biologiques au niveau computationnel 8 Différents niveaux de la modélisation neuronale 9 Différents niveaux de la modélisation neuronale 10 Différents niveaux de la modélisation neuronale le modèle de Hodgkin-Huxley (et ces réductions à 2D : FitzHugh - Nagumo Morris-Lecar) Vu 11 Différents niveaux de la modélisation neuronale des modèles à plusieurs compartiments le modèle de Hodgkin-Huxley le modèle Intègre - et - tire (et ces réductions à 2D : FitzHugh - Nagumo Morris-Lecar) (et ces variants : linéaire, nonlinéaire, SRM, etc) V des modèles à taux de décharge V r fuite - de plausibilité biologique, + facile à analyser Le modèle à un compartiment de type Hodgkin-Huxley le modèle de Hodgkin-Huxley (et ces réductions à 2D : FitzHugh - Nagumo Morris-Lecar) Le modèle est trop simplifié : ● ● plupart de neurones ont une structure morphologique beaucoup plus complexe il y a plusieurs type de canaux ioniques Le modèle est trop complexe : V ● dynamique complexe ● l’analyse d’un réseau des neurones est excessivement complexe 13 Les modèles neuronaux à plusieurs compartiments 14 Les modèles neuronaux à plusieurs compartiments 15 Les modèles neuronaux à plusieurs compartiments HH modèle pour chaque compartiment + l’équation de câble qui décrit la propagation de potentiel Pour plus d’information : http://www.scholarpedia.org/article/Neuronal_cable_theory 16 Les modèles neuronaux à plusieurs compartiments ● La construction automatique d’un modèle morphologique à partir des données volumétriques ● Un modèle peut avoir des milliers de compartiments cylindriques, chacun avec ces propres canaux ioniques ● La dynamique de voltage dans chaque compartiment est décrite par les équations de type HH plus les “équations de câble” (Rall, 1977). ● Un logiciel spécial pour calculer la dynamique de potentiel dans différents compartiments du neurone (NEURON, Genesis, etc) Pour plus d’information : http://www.scholarpedia.org/article/Neuronal_cable_theory 17 Les modèles neuronaux à plusieurs compartiments ● Analyse analytique est impossible ● Il est possible de réduire le nombre de compartiments en gardant les propriétés de décharge et puis analyser ● Une autre manière à vérifier le modèle est de comparer l’activité du neurone modélisé et du modèle ● Il est possible de connecter en direct un modèle computationnel avec un neurone vivant (dynamic clamp) ! Pour plus d’information sur la création des modèles multicompartimentaux : The NEURON Book Pour plus d’information sur dynamic clamp : http://www.scholarpedia.org/article/Dynamic_clamp 18 Le modèle à un compartiment de type Hodgkin-Huxley le modèle de Hodgkin-Huxley (et ces réductions à 2D : FitzHugh - Nagumo Morris-Lecar) Le modèle est trop simplifié : ● ● plupart de neurones ont une structure morphologique beaucoup plus complexe il y a plusieurs type de canaux ioniques Le modèle est trop complexe : ● dynamique complexe ● l’analyse d’un réseau des neurones est excessivement complexe 19 Le modèle à un compartiment de type Hodgkin-Huxley le modèle de Hodgkin-Huxley (et ces réductions à 2D : FitzHugh - Nagumo Morris-Lecar) Le modèle est trop simplifié : ● ● plupart de neurones ont une structure morphologique beaucoup plus complexe il y a plusieurs type de canaux ioniques Le modèle est trop complexe : ● dynamique complexe ● l’analyse d’un réseau des neurones est excessivement complexe 20 Différents niveaux de la modélisation neuronale des modèles à plusieurs compartiments le modèle de Hodgkin-Huxley le modèle Intègre - et - tire (et ces réductions à 2D : FitzHugh - Nagumo Morris-Lecar) (et ces variants : linéaire, nonlinéaire, SRM, etc) des modèles à taux de décharge r fuite - de plausibilité biologique, + facile à analyser 21 Modèle Intègre-et-Tire (phénoménologique) EPSP 0,4mV 10ms Potentiel d’action Potentiel PostSynaptique Excitateur (Excitatory Post-Synaptic Potential, EPSP) 22 Modèle Intègre-et-Tire (phénoménologique) 23 Modèle Intègre-et-Tire (phénoménologique) 24 Modèle Intègre-et-Tire (phénoménologique) 25 Modèle Intègre-et-Tire (phénoménologique) ● la dynamique du potentiel de membrane du τm = −u + Rm I dt u - le potentiel de membrane Rm - la résistance de membrane τm - la constante de temps de membrane I ● - le courant entrant (injecté) un potentiel d’action est émis lorsque le potentiel dépasse le seuil : u(t s ) = ϑ avec sϑ - le seuil de potentiel d’action (PA) et t le temps du PA Après le potentiel d’action u(t) est remis à zéro 26 Modèle Intègre-et-Tire (phénoménologique) du τm = −u + Rm I dt I, uA Pulse de courant (PA entrant) EPSP u, mV EPSP 0,4mV 10ms time, ms Pour plus d’information : Neuronal Dynamics (2014) Gerstner, Kistler, Naud & Paninski (disponible en ligne) 27 Modèle Intègre-et-Tire (phénoménologique) Neurone biologique du τm = −u + Rm I dt Solution pour le courant constant I0 I 0 = 3nA I 0 = 5nA rhéobase I 0 = 6nA u, mV time, ms 28 Pour plus d’information : Neuronal Dynamics (2014) Gerstner, Kistler, Naud & Paninski (disponible en ligne) Modèle Intègre-et-Tire (phénoménologique) du τm = −u + Rm I dt La fonction d’activation (la fonction de transfert, la fonction de gain) Neurone biologique Pour plus d’information : Neuronal Dynamics (2014) Gerstner, Kistler, Naud & Paninski (disponible en ligne) 29 Différents niveaux de la modélisation neuronale modèles à plusieurs compartiments modèle de Hodgkin-Huxley modèle Intègre - et - tire (et ces réductions à 2D : FitzHugh - Nagumo Morris-Lecar) (et ces variants : linéaire, nonlinéaire, SRM, etc) modèles à taux de décharge r fuite - de plausibilité biologique, + facile à analyser 30 Modèle à taux de décharge riin ● On suppose que le taux de décharge contient tout l’information sur les entrées ● Dans ce cas on considère le neurone comme une fonction (linéaire ou non-linéaire) de l’argument vectoriel ● Cette interprétation permet d’étudier les réseaux de neurones par des méthodes d’analyse mathématique r out ri in le taux de décharge du ième neurone présynaptique a = ∑ ri in l’activation du neurone postsynaptique Fonction d’activation des neurones biologiques i r out = g(a) le taux de décharge du neurone postsynaptique avec la fonction d’activation g() correspondant à celle des neurones biologiques 31 Modèle à taux de décharge Réseaux feed-forward Réseaux récurrents Sorties y0 yK yk ... ... wkj(2) x2 x1 z0 = 1 zj zH w (1) ji x0 = 1 ... xi ... xD xi Entrées 32 Différents niveaux de la modélisation neuronale des modèles à plusieurs compartiments le modèle de Hodgkin-Huxley le modèle Intègre - et - tire (et ces réductions à 2D : FitzHugh - Nagumo Morris-Lecar) (et ces variants : linéaire, nonlinéaire, SRM, etc) u des modèles à taux de décharge u r fuite - de plausibilité biologique, + facile à analyser 33 I. Modèles de neurones et codage neuronal ● Différents niveaux de la modélisation neuronale ○ modèles multi-compartimentaux ○ modèles dynamiques ○ modèles phénomènologiques (intègre-et-tire) ○ modèles à taux de décharge ● Codage neuronal et la transmission d’information 34 Codage neuronal et la transmission d’information Les neurones transmettent de l’information ● on peut quantifier l’ ”information” (théorie d’information de Shannon) ● l’information transmis par un neurone peut être calculée en utilisant la notion de l’information mutuelle 35 MacKay, D.J.C. Information theory, inference and learning algorithms. Cambridge University Press, 2003. Codage neuronal et la transmission d’information On présent un stimulus et on observe des activités neuronales Comment le stimulus est représenté dans ces activités (quel est le code neuronal) ? Les potentiels d’action émis par 10 neurones pendant 1 seconde (scatter plot) 36 Codage par taux de décharge Comment le stimulus est représenté dans ces activités (quel est le code neuronal) ? Peut-être par le taux de décharge ? ri = T PA i N T Nombre des PAs émis par le neurone i pendant la période T ● Il faut attendre le temps T afin d’estimer le taux de décharge ● différents stimuli correspondent aux différents taux de décharge 37 Codage par taux de décharge Expériences d’Edgar Adrian (1926) ● Enregistrement de l’activité électrique des neurones de muscle (grenouilles) neurone muscle poids attaché 1g Les neurones de muscle code la force par le taux de décharge 38 Adrian (1928) The Basis of Sensation Codage par taux de décharge Exemple 1. Cellule simple du cortex visuel primaire Champ récepteur (receptive field) L’ensemble des stimuli pour lesquels l’activité de neurone augmente par rapport à l’activité de base Courbe d’accord (Tuning curve) Exemple 2. Cellule d’orientation de la tête (subiculum, thalamus) Activité d’un neurone (mesurée par son taux de décharge) en fonction de stimulus 39 Codage par taux de décharge Exemple 3. Cellules de lieu dans l’hippocampe l’hippocampe Champ récepteur d’une cellule de lieu environnement Tuning curve à 2D 40 Codage neuronal et la transmission d’information Comment le stimulus est représenté dans ces activités (quel est le code neuronal) ? Peut-être par des intervalles de temps entre les potentiels d’action ? Ou d’autre aspect temporel ? 41 Codage temporel : par le temps du 1er potentiel d’action 1 2 3 4 5 Codage par l’intervalle de temps entre la présentation de stimulus et le 1e PA (Plus généralement : codage par les intervalles de temps entre les PAs) ● Codage très rapide (pas nécessaire d’attendre plusieurs PA comme dans le cas de taux de décharge) ● ● Système visuel Système somatosensoriel 6 7 8 9 10 42 Codage temporel : par le temps du 1er potentiel d’action Système somatosensoriel Neuron 1 Codage dans la rétine Neuron 2 R.S. Johansson and I. Birznieks (2004) First spikes in ensembles of human tactile afferents code complex spatial fingertip events. Nature Neuroscience 7, pp. 170–177. T. Gollisch and M. Meister (2008) Rapid neural coding in the retina with relative spike latencies. Science 319, pp. 1108– 1111 Pour plus d’information : Neuronal Dynamics (2014) Gerstner, Kistler, Naud & Paninski (disponible en ligne) 43 Codage temporel : la phase par rapport à l’oscillation de fond Oscillation de fond (fréquence “theta” - 5-12 Hz) ● Plusieurs aires du cerveau exhibent des oscillations au niveau des activités neuronales ● La phase de PA d’un neurone par rapport à l’oscillation de fond peut contenir l’information ● Ce code a été observé expérimentalement dans l’hippocampe du rat Activité d’une cellule de lieu 44 Codage temporel : la phase par rapport à l’oscillation de fond ● Plusieurs aires du cerveau exhibent des oscillations au niveau des activités neuronales ● La phase de PA d’un neurone par rapport à l’oscillation de fond peut contenir l’information ● Ce code a été observé expérimentalement dans l’hippocampe du rat La phase des PA encode la position dans le champ récepteur cellule 4 cellule de lieu 1 environnement O’Keefe, J., & Burgess, N. (2005). Dual phase and rate coding in hippocampal place cells: Theoretical significance and relationship to entorhinal grid cells. Hippocampus, 15(7), 853–866. Activité d’une cellule de lieu 45 Codage temporel & par taux de décharge (au même temps) Huxter, J., Burgess, N., & O’Keefe, J. (2003). Independent rate and temporal coding in hippocampal pyramidal cells. Nature, 425(6960), 828–32. 46 Codage par population de neurones Comment le stimulus est représenté dans ces activités (quel est le code neuronal) ? Peut-être dans l’activité de tous les neurones ensemble ? 47 Codage par population de neurones : cellules de lieu ri - activité du neurone qui code pour la ! position x ! xi i environnement Activité de la population de neurones Vecteur de population : Estimation de la position du rat à partir des activités de tous les neurones dans la population ! x= ! ∑ ri xi ∑r i 48 Codage par population de neurones : cortex moteur Un seul neurone ● Un seule neurone encode la direction du mouvement d’une manière imprécise ● Tous les neurones dans la population encodent la direction avec une haute précision par le vecteur de population Population de neurones Vecteur de population Georgopoulos, Kalaska, Caminiti, Massey 1982. On the relations between the direction of two-dimensional arm movements and cell discharge in primate motor cortex. J Neurosci 2:1527–1537. 49 I. Modèles de neurones et codage neuronal ● Différents niveaux de la modélisation neuronale ○ modèles multi-compartimentaux ○ modèles dynamiques ○ modèles phénomènologiques (intègre-et-tire) ○ modèles à taux de décharge ● Codage neuronal et la transmission d’information ○ par taux de décharge ○ par le temps du 1er potentiel d'action ○ par la phase par rapport à l'oscillation ○ par l'activité de population de neurones 50