Caractérisation biophysique des réseaux de neurones humains avec des simulations d’EEGs dans la bande γ en utilisant LFPy

Abstract

Le déséquilibre entre les neurones excitateurs et inhibiteurs est la cause connue de multiples troubles neurologiques et psychiatriques. Lorsque de tels maladies surviennent, les professionnels de la santé se retrouvent avec des outils d'imagerie médicale qui ne fournissent qu'une représentation macrostructurale ou fonctionnelle du cerveau sans fournir d'informations détaillées sur la cohabitation entre les neurones excitateurs et inhibiteurs. En utilisant l'imagerie fonctionnelle, c'est-à-dire l'électroencéphalographie (EEG), les recherches présentées dans ce mémoire commencent par l'introduction de LFPy, une librairie du langage de programmation python, utilisée pour la simulation informatique de réseaux de neurones réalistes et la mesure d’électroencéphalogrammes sur ceux-ci. Deuxièmement, cette étude présente la méthode Bhattacharya comme un outil puissant pour comparer des EEG réels enregistrés sur des patients humains en bonne santé en laboratoire avec des EEG simulés en utilisant LFPy. Enfin, cette étude procède à la rétro-ingénierie d'EEG enregistrée au laboratoire sous forme de combinaison de plusieurs paramètres en l’occurrence un rapport (R) du nombre de neurones excitateurs sur les neurones inhibiteurs (E / I) et quatre probabilités de connexions, c'est-à-dire la probabilité de connexion entre neurones excitateurs (E-E), entre neurones inhibiteurs (I-I), entre neurones excitateurs et inhibiteurs (E-I), et enfin entre neurones inhibiteurs et neurones excitateurs (I-E). Comme résultat, cette étude présente la possibilité de combiner les probabilités de connexion entre les différents types de neurones dans une simulation computationnelle afin de pouvoir des réseaux de neurones présents dans le cerveau de personnes bien portantes. Ainsi les travaux sont achevés par un modèle de régression linéaire qui pourrait être utilise pour déterminer la valeur d’une crête de fréquence en fonction des différentes probabilités de connexion.

Abstract : The imbalance between excitatory and inhibitory neurons is the known cause for multiple neurological and psychiatric disorders. When such disorders occur, medical professionals are left with medical imaging tools that provide only a macrostructural or functional representation of the brain without providing detailed information about the cohabitation between excitatory and inhibitory neurons. Using functional imaging, i.e., electroencephalography (EEG), the research presented in this thesis starts by introducing LFPy, a python language package used for computer-based simulation of realistic neural networks and measuring EEG on them. Second, it presents the Bhattacharya method as a powerful tool for comparing real EEG recorded on healthy human patients in the lab against LFPy-simulated EEGs. Finally, this study proceeds to reverse-engineer the recorded EEG from the lab into a combination that corresponds to a ratio (R) of the number of excitatory neurons over inhibitory neurons (E/I) and four probabilities of connections, i.e., probability of connection between excitatory neurons (E-E), between inhibitory neurons (I-I), between excitatory and inhibitory neurons (E-I), and between inhibitory neurons and excitatory neurons (I-E). As a result, this study presents the possibility of combining the connection probabilities between the different types of neurons in a computational simulation to analyze the neural networks present in the brains of healthy people. The work is completed with a linear regression model that could be used to determine the value of a peak frequency, based on different connection probabilities.