"Modélisation de trajectoires neurales par plasticité synaptique de type STDP dans le cortex cérébral au sein de l'activité asynchrone caractéristique de l'état éveillé" Bruno Delord

Etat de l’art:
De nombreuses fonctions neurales reposent sur des décharges de potentiels d’action s’organisant en séquences au sein des neurones des réseaux récurrents du cortex. Ces séquences peuvent sous–tendre la représentation de trajectoires explicites dans des espaces réels (navigation1, exécution motrice2), ou dans des espaces plus abstraits (perception3, fonctions cognitives4). Ces trajectoires neurales représentent une forme d’activité locale ordonnée. Cependant, elles s’opèrent à l’état éveillé au sein d’une activité globale asynchrone, dont la dynamique chaotique est désordonnée. Comment de telles trajectoires neurales – fonctionnelles et stables – peuvent–elles être apprises au sein de cette activité asynchrone désordonnée ? Plusieurs modèles récents apportent des éléments partiels pour comprendre cette apparente contradiction. D’une part, en régime non chaotique, la plasticité synaptique biologique dépendante du temps des potentiels d’action (Spike Timing-Dependent Plasticity, STDP) peut – en régulant l’état des canal–récepteurs synaptiques par phosphorylation – sculpter des « chemins » orientés de connectivité au sein des réseaux récurrents5, favorisant l’émergence de trajectoires neurales6. Par ailleurs, des trajectoires robustes peuvent émerger en régime chaotique, mais cela n’a été montré qu’au moyen de règles d’apprentissage artificielle de type machine–learning, donc non réalistes biologiquement7. Nous cherchons actuellement, en présence de différentes formes de STDP des synapses excitatrices et inhibitrices8, à évaluer 1) la stabilité du régime chaotique du réseau, 2) l’apprentissage de trajectoires évoquées et 3) l’interaction régime chaotique / trajectoires. L’objectif est d’imiter les conditions réelles d’apprentissage de séquences neurales chez le mammifère supérieur, en considérant une procédure « online », au sein de laquelle l’activité du réseau et l’apprentissage synaptique ont lieu de façon simultanée.

Références:
1. Fujisawa, S., Amarasingham, A., Harrison, M. T. & Buzsáki, G. Behavior-dependent short-term assembly dynamics in the medial prefrontal cortex. Nature Neuroscience 11, 823–833 (2008). 2. Churchland, M. M. et al. Neural population dynamics during reaching. Nature 487, 51–56 (2012). 3. MacLean, J. N., Watson, B. O., Aaron, G. B. & Yuste, R. Internal dynamics determine the cortical response to thalamic stimulation. Neuron 48, 811–823 (2005). 4. Seidemann, E., Meilijson, I., Abeles, M., Bergman, H. & Vaadia, E. Simultaneously recorded single units in the frontal cortex go through sequences of discrete and stable states in monkeys performing a delayed localization task. The Journal of neuroscience  16, 752–768 (1996). 5. Clopath, C., Büsing, L., Vasilaki, E. & Gerstner, W. Connectivity reflects coding: a model of voltage-based STDP with homeostasis. Nature Neuroscience 13, 344–352 (2010). 6. Fiete, I. R., Senn, W., Wang, C. Z. H. & Hahnloser, R. H. R. Spike-Time-Dependent Plasticity and Heterosynaptic Competition Organize Networks to Produce Long Scale-Free Sequences of Neural Activity. Neuron 65, 563–576 (2010). 7. Laje, R. & Buonomano, D. V. Robust timing and motor patterns by taming chaos in recurrent neural networks. Nature Neuroscience 16, 925–933 (2013). 8. Siri, B. B., Quoy, M., Delord, B., Cessac, B. & Berry, H. Effects of Hebbian learning on the dynamics and structure of random networks with inhibitory and excitatory neurons. Journal of Physiology Paris 101, 136–148 (2007).