Une approche Monte Carlo par Chaînes de Markov pour la classification des potentiels d'action. <br />Application à l'étude des corrélations d'activité des cellules de Purkinje.

To be fully exploitable extracellular multi-unit data have to be sorted out into several single neuron spike trains: this particular data processing is called "spike-sorting". This work is a contribution to the development and the carrying out of an automatic spike-sorting method implementing a Markov Chain Monte Carlo (MCMC) method. The proposed method enables the experimentalist to take into account the occurrence times of spikes, in addition to the information provided by their waveforms, to perform spike-sorting. This use of temporal information makes it possible to automatically identify neurons with non-stationary spike waveforms. It also improves the separation of neurons whose spike waveforms are similar. This methodological work led to the release of a free software documented by its user guide.This spike-sorting method has been experimentally validated on populations of Purkinje cells (PCs) in rat cerebellar slices. Besides, the spike train analysis of these multiple cells data did not reveal any significant temporal correlations between spontaneous PC spike trains, in spite of common inhibition of PCs by molecular layer interneurons and direct inhibition PC to PC. Simulations showed that the influence of these inhibitions onto temporal relations between spike trains is too weak to be detected with our correlation analysis. Codes written to analyse spike trains are also released as a second software.Pour être réellement exploitables, les données d'enregistrements extracellulaires multiunitaires doivent faire l'objet d'un traitement préalable visant à isoler les activités neuronales individuelles qui les constituent: le spike-sorting. Ce travail de thèse est une contribution au développement et à la réalisation d'une méthode automatique de spike-sorting implémentant un algorithme de Monte Carlo par Chaînes de Markov (MCMC). La méthode proposée permet de tenir compte, en plus de la forme des potentiels d'action (PAs), de l'information fournie par leurs temps d'émission pour réaliser la classification. Cette utilisation de l'information temporelle rend possible l'identification automatique de neurones émettant des PAs de formes non stationnaires. Elle améliore aussi grandement la séparation de neurones aux PAs de formes similaires. Ce travail méthodologique à débouché sur la création d'un logiciel libre accompagné de son manuel d'utilisateur.Cette méthode de spike-sorting a fait l'objet d'une validation expérimentale sur des populations de cellules de Purkinje (PCs), dans les tranches de cervelet de rat. Par ailleurs, l'étude des trains de PAs de ces cellules fournis par le spike-sorting, n'a pas révélé de corrélations temporelles significatives en régime spontané, en dépit de l'existence d'une inhibition commune par les interneurones de la couche moléculaire et d'une inhibition directe de PC à PC. Des simulations ont montré que l'influence de ces inhibitions sur les relations temporelles entre les trains de PCs était trop faible pour pouvoir être détectée par nos méthodes d'analyse de corrélations. Les codes élaborés pour l'analyse des trains de PAs sont également disponibles sous la forme d'un second logiciel libre