Apprentissage non-supervise de pattern neuronaux dans le cortex sensoriels: evaluation des modèles de connectivité fonctionnelle et dynamique d’apprentissage hebbien par perturbation optogénétique et – ULEARNINGCTX

Au cours de leur vie, les animaux explorent leur environnement sans but spécifique. Pendant ce processus, les animaux encodent les statistiques des stimuli de leur milieu de vie et adaptent progressivement la réponse neuronale à ces stimuli. Cet apprentissage non supervisé de leur environnement aurait lieu dans le cortex cérébelleux : les cortex sensoriels encoderaient les stimuli en suivant une loi d’apprentissage hebbienne i.e. la coactivation d’un pattern dans un réseau produit une variation des poids synaptiques entre les neurones impliqués. Bien qu’ils existent plusieurs travaux démontrant l’existence d’une loi d’apprentissage hebbienne locale, la validité de cette loi est encore en débat à l’échelle du réseau et plusieurs lois d’apprentissage alternatives ont été proposées.
Grace au développement de nouveau outils optiques permettant d’enregistrer (microscopie multiphoton) et de manipuler (optogénétique) l’activité cérébrale, il est maintenant possible d’imprimer des patterns d’activité neuronale dans le cortex de souris et de produire en réponse un comportement spécifique. En parallèle, des algorithmiques d’apprentissage non-supervisé se sont développés afin d’inférer la connectivité fonctionnelle d’un réseau de neurone à partir de son activité (Boltzmann machine) et même fitter sur l’activité d’un réseau de neurone biologique, le modèle d’Hopfield, fondé sur l’apprentissage hebbien grace aux machines de Bolzmann restreintes.
Dans ce projet, nous proposons d’utiliser notre microscope deux photon, des méthodes de perturbations optogénetiques et des outils de modélisation algorithmique pour comprendre l’apprentissage non-supervisé dans le cortex de la souris. Une série de patterns neuronaux sont activés optogénétiquement jusqu’à sa fixation dans le réseau. Quelle est la dynamique de mémorisation de ces patterns ? Quelle est la loi d’apprentissage suivie par le réseau ? Quelle est la validité des modèles de connectivité fonctionnelle ?