Date : 2012
Editeur / Publisher : [S.l.] : [s.n.] , 2012
Type : Livre / Book
Type : Thèse / ThesisLangue / Language : anglais / English
Réseaux neuronaux (physiologie)
Résumé / Abstract : La majorité des modèles computationnels de neurones sont basés sur l'hypothèse d'une sommation linéaire des potentiels postsynaptique excitateurs (PPSEs). Mais la somme de multiples PPSEs peut être supérieure leur somme arithmétique ce phénomène est communément appelé potentiel d'action dendritique (PED). L'implication de PED dans la fonction du neurone reste encore débattu, notamment lorsque ces PED ne déclenchent pas de potentiel d'action somatique. De plus, la somme de multiples PPSEs peut aussi être inférieure à leur somme arithmétique, ces saturations sont souvent présentées comme un problème. Ce travail de thèse contredit ces deux opinions, il montre que les saturations dendritiques autant que les PED peuvent positivement influencer la fonction du neurone.Nous utilisons un modèle binaire de neurone et montrons qu'une seule non-linéarité dendritique suffit pour calculer des fonctions linéairement non-séparables. Ces fonctions sont inaccessibles pour les modèles de neurones ne tenant pas compte des sommations non-linéaire. Nous montrons que des modèles biophysique réalistes de neurones sont capables d'implémenter ces fonctions. Contrairement aux modèles binaires, ils ne présupposent pas l'existence de compartiments totalement indépendants. Pourtant ces modèles sont eux aussi capables de calculs linéairement non-separable. Ces résultats jettent un éclairage nouveau sur les réseaux de neurones, suggérant que la mémoire pourrait être stockée dans l'arbre dendritique des neurones.
Résumé / Abstract : Seminal computational models of the neuron assume that excitatory post-synaptic inputs (EPSPs) sum linearly in dendrites. Nevertheless, the sum of multiple EPSPs can be larger than their arithmetic sum, a superlinear summation. The so-called dendritic spike. An impact of dendritic spikes on computation remains a malter of debate. Moreover, the sum of multiple of EPSPs can also be smaller than their arithmetic sum these saturations are sometime presented as a glitch which should be corrected by dendritic spikes. l provide here arguments against these daims, I show that dendritic saturations as well as dendritic spikes, even when they cannot directly make the neuron fire, enhance single neuron computation.I use a binary neuron models to demonstrate that a single dendritic non-linearity, either spiking or saturating, combined with somatic non-linearity, enables a neuron linearly non-separable functions. I coin these functions as spatial functions because the neuron's output depends more on the labeling of the active inputs than on their number. Secondly, we show that realistic biophysical models of the neuron are capable of computing spatial functions. Within these models the dendritic and somatic non-linearity are tightly coupled. We use this biophysical model to predict that some neurons will be more likely to fire when inputs are scattered over their dendritic tree than when they are clustered, we predict that such a neuron is capable of computing spatial functions. These results suggest a new perspective on neural networks, suggesting for instance that memory can be stored in the neurons themselves.