thesis

2.4 Les modèles impulsionnels 63
100ms
20 mV
Neurone
cortical
MAT2
86%
AIF
84%
Izhikevich
62%
Figure 2.6 – Reproduction de la réponse d’un neurone à un courant injecté par
des modèles impulsionnels (Rossant et al. 2011b). La trace du haut représente la réponse
d’une cellule pyramidale à un courant injecté. Les traces suivantes représentent les réponses de
différents modèles une fois calibrés : MAT2 (Kobayashi et al. 2009), le modèle intègre-et-tire
adaptatif (AIF), et le modèle d’Izhikevich (Izhikevich 2003).
est fréquent que l’on cherche à trouver un modèle de neurone qui reproduise le plus
fidèlement possible la réponse du neurone. On peut vouloir reproduire la dynamique
complète du potentiel de membrane, ou seulement les temps des potentiels
d’action. Ce processus passe par deux étapes : trouver un modèle candidat, et
trouver les paramètres du modèle qui correspondent le mieux aux données (model
fitting).
Les modèles biophysiques à conductances de type Hodgkin-Huxley sont les
plus réalistes, pourtant ils ne sont guère adaptés à ce problème de reproductibilité
de la réponse. Les paramètres de ces modèles sont bien trop nombreux pour
qu’ils puissent être calibrés de manière adéquate aux données électrophysiologiques.
En revanche, les modèles impulsionnels permettent de reproduire les instants
des potentiels d’action avec une grande précision (Jolivet et al. 2004 2006a).
Leur calibrage peut se faire relativement aisément du fait de leur faible nombre
de paramètres (Jolivet et al. 2008a). Une partie de notre travail a d’ailleurs eu
pour objet de développer un outil informatique générique de calibrage de modèles
impulsionnels à de telles données électrophysiologiques (Rossant et al. 2010
2011b). Ce travail s’est fait dans le cadre de la compétition de l’INCF Quantitative
Single-Neuron Modeling en 2009, où il s’agissait de prédire la réponse d’un neurone
biologique à un courant injecté (Jolivet et al. 2008a). Le modèle gagnant, un
neurone intègre-et-tire à fuite intégrant des mécanismes d’adaptation (Kobayashi
et al. 2009), put prédire 85% des potentiels d’action du neurone (voir figure 2.6).
Cela explique le succès des modèles impulsionnels en tant qu’opérateurs mathématiques
simples et efficaces transformant un courant injecté en un train de
potentiels d’action.