Upload
claire-nguyen
View
106
Download
0
Embed Size (px)
Citation preview
http://www.snv.jussieu.fr/brette/
Mathématiques des Modèles Impulsionnels de Neurones
Romain BretteINSERM U483
http://www.snv.jussieu.fr/brette/
Le neurone
Les neurones communiquent par impulsions électriques (potentiels d’action).
http://www.snv.jussieu.fr/brette/
Modèles impulsionnels
Impulsions → impulsions
http://www.snv.jussieu.fr/brette/
Modèles impulsionnels
Variable continue → impulsions(encodeur)
http://www.snv.jussieu.fr/brette/
Formulation générale
1) Une équation différentielle:
2) Un mécanisme de réinitialisation:
impulsion quand V > seuil
http://www.snv.jussieu.fr/brette/
Exemples
Modèle de Lapicque (1907):
L. Lapicque, J physiol pathol gen 9, 620-635 (1907)
http://www.snv.jussieu.fr/brette/
Exemples
Modèle à conductances synaptiques:
))(()( 0 ii
i EVtgVVdt
dV
http://www.snv.jussieu.fr/brette/
Modèles à fuite
with
i.e. V→f(V,t) est décroissante
Modèle à conductances synaptiques:
Le modèle de Lapicque (1907):
Exemples:
http://www.snv.jussieu.fr/brette/
L’application impulsionnelle
http://www.snv.jussieu.fr/brette/
L’application impulsionnelle
: temps d’une impulsion temps de l’impulsion suivante
Dynamique en temps continu du modèle impulsionnel= dynamique en temps discret de l’application impulsionnelle
http://www.snv.jussieu.fr/brette/
La fréquence de décharge
La fréquence de décharge
)(lim)(
t
ntF
n
dépend-elle de la condition initiale t ?
non si φ est croissante
http://www.snv.jussieu.fr/brette/
est-elle croissante ?
est localement croissante en t si f(0,t)>0 est localement décroissante en t if f(0,t)<0
http://www.snv.jussieu.fr/brette/
est croissante sur son image (modèles à fuite)
t
Si t est dans l’image de :f(1,t)≥0
et V→f(V,t) décroissante (fuite)implique: f(0,t)>0
Donc: est localement croissante en t
En fait: est strictement croissante sur son image
Conséquence:la fréquence est indépendante de la condition initiale
http://www.snv.jussieu.fr/brette/
Continuité de l’application impulsionnelle
est continue en t if f(1,(t))>0
http://www.snv.jussieu.fr/brette/
Continuité de l’application impulsionnelle
intervalle sans impulsions
http://www.snv.jussieu.fr/brette/
Dérivée de l’application impulsionnelle
Théorème des fonctions implicites:
Exemple: modèle de Lapicque
http://www.snv.jussieu.fr/brette/
Stimulations périodiques
http://www.snv.jussieu.fr/brette/
Stimulations périodiques
avec f(V,t+T)=f(V,t)
Alors φ(t+T)= φ(t)+T
http://www.snv.jussieu.fr/brette/
Homéomorphismes du cercle
Or φ est strictement croissante sur son image (modèle à fuite):
c’est le relèvement d’un homéomorphisme du cercle (si continue)ou d’une application du cercle conservant l’orientation (sinon)
Nombre de rotation = inverse de la fréquence de décharge(pour T=1)
(Poincaré, Denjoy)Nombre de rotation rationnel: orbite périodique stableNombre de rotation irrationnel: orbite dense dans le cercle ou dans un Cantor
http://www.snv.jussieu.fr/brette/
Accrochage de phaseNombre de rotation rationnel: « accrochage de phase »
http://www.snv.jussieu.fr/brette/
Application impulsionnelle continue vs. discontinue
φ discontinue => accrochage de phase p.s. (Veerman)φ C1 => orbite dense avec proba>0 (Herman)
http://www.snv.jussieu.fr/brette/
Conjectures
• Si φt est une famille continue d’applications du cercle conservant l’orientation (continue avec la topologie de Hausdorff sur les graphes), alors pour presque tout t, le nombre de rotation de φt est rationnel.
• Si φ a un nombre de rotation rationnel, alors φ+petit bruit a une seule orbite stable (dans la limite bruit petit).
http://www.snv.jussieu.fr/brette/
Fiabilité neuronale
http://www.snv.jussieu.fr/brette/
Reproductibilité des temps d’impulsion
Z. Mainen, T. Sejnowski, Science 268, 1503-1506 (1995)
La réponse du neurone à un courant constant n’est pas reproductible
http://www.snv.jussieu.fr/brette/
Reproductibilité des temps d’impulsion
Z. Mainen, T. Sejnowski, Science 268, 1503-1506 (1995)
La réponse du neurone à un courant variable est reproductible
http://www.snv.jussieu.fr/brette/
Reproductibilité des impulsions
dynamique instable
dynamique stable /convergence
http://www.snv.jussieu.fr/brette/
Lien avec la synchronisation
Des neurones qui reçoivent le même stimulus dynamique se synchronisent, même s’ils sont au départ dans des états différents.
http://www.snv.jussieu.fr/brette/
Fiabilité et discontinuités de l’application impulsionnelle
intervalle sans impulsions
http://www.snv.jussieu.fr/brette/
Fiabilité et discontinuités de l’application impulsionnelle
- zones colorées: zones interdites- zone blanche: zone atteignable par une solution- trajectoire discontinue: exemple de solution du modèle
http://www.snv.jussieu.fr/brette/
Première piste
Proportion de trous dans φn([0,t]) =
t nnnnn
tt 0
)'()0()()0()(
1
Proportion de trous dans φn([0,+∞[) =
Idée: montrer que
Remarque:
où λ(t) = exposant de Lyapunov
)'(1 n
0)'( nn
nttn )(~)()'log(
http://www.snv.jussieu.fr/brette/
Autres pistes
On considère le problème sur l’axe du potentiel (V);on observe l’évolution de la distribution de V au cours du temps:• entropie• produit d’applications du cercle aléatoires (V(tn)V(tn+1))• EDP de transport
http://www.snv.jussieu.fr/brette/
Détection de coïncidences
http://www.snv.jussieu.fr/brette/
Détection de coïncidences
Un neurone est sensible aux fluctuations de son entrée, i.e., la fréquence de décharge en réponse à un courant I(t) est plus grande que celle en réponse à un courant constant de même moyenne.
Et dans les modèles impulsionnels?
Comparer les fréquences de décharge de
)(Vfdt
dV
et ),()( tVgVfdt
dV avec <g(V,•)>=0 pour tout V(F fonction croissante de λ ?)
http://www.snv.jussieu.fr/brette/
Modèles impulsionnels stochastiques
http://www.snv.jussieu.fr/brette/
Un modèle stochastique simple
dWdtVdV )(Ex. 1:
φ(t)-t = temps d’arrêt(intervalle entre deux impulsions successives)
• Distribution de φ-id en fonction des paramètres ?• Fiabilité ? (à ω fixé)• Distribution de V (lien avec EDP de Fokker-Planck)
http://www.snv.jussieu.fr/brette/
Un modèle stochastique plus compliqué
Ex. 2:
gdt
dg
EVgVdt
dV
)(
avec gg+δ aléatoirement selon un processus de Poisson(g(t)=« shot noise »)
• Mêmes questions• Quelle est la fonction de corrélation entre les impulsions postsynaptiques (en V) et présynaptiques (en g) ?
http://www.snv.jussieu.fr/brette/
Simulation numérique
http://www.snv.jussieu.fr/brette/
Modèles à conductances exponentielles
Avec gigi + δij à l’instant tij.
Objectif: calculer rapidement la suite des temps d’impulsions
Idem avec un bruit ξ(t) ajouté à gi(t).
http://www.snv.jussieu.fr/brette/
Méthodes expérimentales
http://www.snv.jussieu.fr/brette/
Mesures in vivo
),( tVfdt
dVC
On veut déterminer:• C (capacité membranaire)
• V
f
(conductance moyenne)
sans trop perturber le système
http://www.snv.jussieu.fr/brette/
Mesures in vivo
)(),( tItVfdt
dVC
Idée: on injecte un petit courant:
I(t) est constant sur un pas de temps [tn,tn+1] (de durée h)On choisit In = variables aléatoires i.i.d.
Alors: )(2
)( 222
22
1 hohV
f
C
Ih
C
IItV nn
Problème: il faudrait évaluer pour plusieurs valeurs de h
http://www.snv.jussieu.fr/brette/
Mesures in vivoIdée: dans [tn,tn+1], on injectesoit In=In-1 avec probabilité psoit In= variable aléatoire indépendante avec probabilité (1-p)
Alors si on note Np={n|In-1≠In=In+1=…=In+p-1≠In+p}:
)()(2
)( 222
22
hophV
f
C
Iph
C
IItV
pNnpn
Problèmes:• comment choisir p ?• comment estimer optimalement C et la conductance ?• comment estimer l’erreur ?
http://www.snv.jussieu.fr/brette/
Publications
Résultats généraux:Brette, R. Dynamics of one-dimensional spiking neuron models. J Math Biol 48, 38-56 (2004).
Nombre de rotation pour des applications discontinues:Brette, R. Rotation numbers of discontinuous orientation-preserving circle maps. Set-Valued Analysis 11, 359-371 (2003).
Fiabilité:Brette, R. & Guigon, E. Reliability of spike timing is a general property of spiking model neurons. Neural comput 15, 279-308 (2003).
Simulation numérique:Brette, R. Event-driven simulation of integrate-and-fire neurons with exponential synaptic conductances. Submitted (2004).