http:// [email protected] mathématiques des modèles impulsionnels de neurones romain brette...
TRANSCRIPT
![Page 1: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/1.jpg)
http://www.snv.jussieu.fr/brette/
Mathématiques des Modèles Impulsionnels de Neurones
Romain BretteINSERM U483
![Page 2: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/2.jpg)
http://www.snv.jussieu.fr/brette/
Le neurone
Les neurones communiquent par impulsions électriques (potentiels d’action).
![Page 3: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/3.jpg)
http://www.snv.jussieu.fr/brette/
Modèles impulsionnels
Impulsions → impulsions
![Page 4: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/4.jpg)
http://www.snv.jussieu.fr/brette/
Modèles impulsionnels
Variable continue → impulsions(encodeur)
![Page 5: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/5.jpg)
http://www.snv.jussieu.fr/brette/
Formulation générale
1) Une équation différentielle:
2) Un mécanisme de réinitialisation:
impulsion quand V > seuil
![Page 6: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/6.jpg)
http://www.snv.jussieu.fr/brette/
Exemples
Modèle de Lapicque (1907):
L. Lapicque, J physiol pathol gen 9, 620-635 (1907)
![Page 7: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/7.jpg)
http://www.snv.jussieu.fr/brette/
Exemples
Modèle à conductances synaptiques:
))(()( 0 ii
i EVtgVVdt
dV
![Page 8: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/8.jpg)
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:
![Page 9: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/9.jpg)
http://www.snv.jussieu.fr/brette/
L’application impulsionnelle
![Page 10: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/10.jpg)
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
![Page 11: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/11.jpg)
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
![Page 12: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/12.jpg)
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
![Page 13: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/13.jpg)
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
![Page 14: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/14.jpg)
http://www.snv.jussieu.fr/brette/
Continuité de l’application impulsionnelle
est continue en t if f(1,(t))>0
![Page 15: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/15.jpg)
http://www.snv.jussieu.fr/brette/
Continuité de l’application impulsionnelle
intervalle sans impulsions
![Page 16: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/16.jpg)
http://www.snv.jussieu.fr/brette/
Dérivée de l’application impulsionnelle
Théorème des fonctions implicites:
Exemple: modèle de Lapicque
![Page 17: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/17.jpg)
http://www.snv.jussieu.fr/brette/
Stimulations périodiques
![Page 18: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/18.jpg)
http://www.snv.jussieu.fr/brette/
Stimulations périodiques
avec f(V,t+T)=f(V,t)
Alors φ(t+T)= φ(t)+T
![Page 19: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/19.jpg)
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
![Page 20: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/20.jpg)
http://www.snv.jussieu.fr/brette/
Accrochage de phaseNombre de rotation rationnel: « accrochage de phase »
![Page 21: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/21.jpg)
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)
![Page 22: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/22.jpg)
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).
![Page 23: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/23.jpg)
http://www.snv.jussieu.fr/brette/
Fiabilité neuronale
![Page 24: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/24.jpg)
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
![Page 25: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/25.jpg)
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
![Page 26: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/26.jpg)
http://www.snv.jussieu.fr/brette/
Reproductibilité des impulsions
dynamique instable
dynamique stable /convergence
![Page 27: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/27.jpg)
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.
![Page 28: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/28.jpg)
http://www.snv.jussieu.fr/brette/
Fiabilité et discontinuités de l’application impulsionnelle
intervalle sans impulsions
![Page 29: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/29.jpg)
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
![Page 30: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/30.jpg)
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(
![Page 31: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/31.jpg)
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
![Page 32: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/32.jpg)
http://www.snv.jussieu.fr/brette/
Détection de coïncidences
![Page 33: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/33.jpg)
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 ?)
![Page 34: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/34.jpg)
http://www.snv.jussieu.fr/brette/
Modèles impulsionnels stochastiques
![Page 35: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/35.jpg)
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)
![Page 36: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/36.jpg)
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) ?
![Page 37: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/37.jpg)
http://www.snv.jussieu.fr/brette/
Simulation numérique
![Page 38: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/38.jpg)
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).
![Page 39: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/39.jpg)
http://www.snv.jussieu.fr/brette/
Méthodes expérimentales
![Page 40: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/40.jpg)
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
![Page 41: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/41.jpg)
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
![Page 42: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/42.jpg)
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 ?
![Page 43: Http:// brette@ccr.jussieu.fr Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483](https://reader035.vdocuments.pub/reader035/viewer/2022062417/551d9d91497959293b8c78d0/html5/thumbnails/43.jpg)
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).