Étude de la plasticité synaptique dans les réseaux stochastiques de neurones

La plasticité synaptique est un mécanisme biologique intégrant l'activité neuronale dans l'évolution des connections récurrentes entre différents neurones. La spike-timing dependent plasticity (STDP) représente l'ensemble des mécanismes de plasticité dépendant des instants de potentiels d'action pré- et post-synaptiques. Nous avons développé une classe générale de modèles pour reproduire différentes règles de STDP dans un cadre stochastique, en modélisant notamment les ensembles de potentiels d'action par des processus ponctuels. La plasticité synaptique est un processus lent comparé à l'activité neuronale, justifiant une analyse de ce système avec des arguments de la théorie lent-rapide. En ajoutant des hypothèses de régularité, un théorème de convergence dans la limite lent-rapide est énoncé et appliqué à différentes règles de STDP. Enfin, une analyse théorique et numérique de l'évolution des poids synaptiques nous a amené à conclure sur l'impact de la STDP sur un système neuronal simple. En parallèle, nous avons étudié l'influence de la STDP de type anti-Hebienne dans des réseaux reproduisant certaines propriétés du striatum, un noyau sous-cortical impliqué dans l'apprentissage procédural. Des résultats expérimentaux ont récemment démontré que deux régions du striatum dorsal, le striatum dorsolatéral (DLS) et le striatum dorsomédial (DMS) sont caractérisées par deux types de STDP de polarités différentes. Les conclusions de cette étude mettent en avant que la plasticité présente dans le DMS permet au réseau d'oublier rapidement tous motifs précédemment acquis, alors que la STDP du DLS participe à la maintenance de ces mêmes motifs.Synaptic plasticity is a biological mechanism, integrating neuronal activity in the evolution of recurrent connections between neurons. Spike-timing dependent plasticity (STDP) represents all plasticity mechanisms that depends on the timings of the pre- and postsynaptic spikes. We have developed a general class of models to reproduce different STDP rules in a stochastic setting, modeling spike trains as point processes. Synaptic plasticity is a slow process, compared to neuronal activity, supporting an analysis of this system using slow-fast theory. Adding regularity hypotheses, we prove a convergence theorem in the slow-fast limit, and apply it to different sets of STDP rules. A theoretical and numerical analysis of the synaptic weight asymptotic behavior is performed and has led us to conclude on the potential impact of each STDP rule on a simple network. At the same time, we also study the influence of anti-Hebbian STDP in networks inspired from the striatum, a subcortical nucleus involved in procedural learning. Finally, experimental results have recently shown that two regions of the dorsal striatum, the dorsolateral (DLS) and the dorsomedial (DMS) striatum display different kinds of STDP. We show that STDP present at DMS synapses leads to a quicker forgetting of learned patterns and consequently to higher flexibility, while STDP at DLS synapses helps maintaining these patterns in memory