2024-04_UE-neurosciences-computationnelles, matériel pour le cours de modélisation

• Où: Marseille (France)

• Quoi: Master Neurosciences et Sciences Cognitives

• But de ce travail: lire un article scientifique, pouvoir le reproduire avec des simulations d'un neurone et afin d'améliorer sa compréhension.

• Modalités: les étudiants s'organisent seuls, en binome ou en trinome pour fournir un mémoire sous forme de notebook complété à partir du modèle qui est fourni. Suivez les balises TODO dans le notebook pour vous guider dans cette rédaction. Les commentaires doivent être fait en français (ou en anglais si nécessaire) dans le notebook (n'oubliez-pas de sauver vos changements) et envoyé par e-mail à mailto:laurent.perrinet@univ-amu.fr une fois votre travail fini (de préférence avant le 31 avri).

• Outils nécessaires: Jupyter, avec numpy et matplotlib. Ce sont des outils standard et qui sont facilement installables sur toute plateforme. Si vous avez des problèmes, me joindre par e-mail

TP: reproduction de l'article de Mainen & Sejnowski, 1995

contexte

• Le but de ce travail pratique est de créer un "raster plot" qui montre la reproducibilité d'un train de spike avec des répétitions du même stimulus, comme dans ce travail dans la rétine de rongeurs ou dans le cortex (V1) du chat. En particulier, nous allons essayer de répliquer la figure 1 de Mainen & Sejnowski (1995).

Ce notebook a été élaboré lors d'un TP dans le cadre du Master 1 de sciences cognitives de l'Université d'Aix-Marseille et du Master 1 de neurosciences de l'Université d'Aix-Marseille.

prise en main des outils: numpy et matplotlib

• on va créer des vecteurs représentant la dynamique d'un valeur en fonction du temps
• pour cela, on crée un vecteur `time' représentant 1 seconde avec une précision de dt=.5ms
• dans un premier temps, on va créer un plot d'un spike, d'un créneau & d'une sinusoïde

définition du problème: leaky-integrate and fire neuron

• on va simuler 1 neurone pour 2 secondes avec une précision de dt=1ms
• pour cela, on utilise l'équation d'un leaky-IF
• on montre alors sa réponse aux stimuli créés ci-dessus

injection d'un bruit

• Comme dans la figure 1 de Mainen & Sejnowski (1995), on ajoute un bruit à l'injection de courant
• ce bruit peut être caractisé par son amplitude et son temps caractéristique: quel est l'impact sur le résultat?
• que se passe-t-il quand on inclut un bruit interne à la dynamique du neurone?

bonus: utilisation de pyNN / brian

• on va utiliser brian pour écrire l'équation du lIF et refaire les mêmes simulations
• on compare avec d'autres modèles de neurone
• référence: http://e.guigon.free.fr/rsc/article/BretteGuigon03.pdf

Annexes

• un article à lire sur le temps dans le cerveau: https://laurentperrinet.github.io/publication/perrinet-19-temps/ lien direct

• Des illusions aux hallucinations visuelles: une porte sur la perception - (slides) - article sur la perception visuelle : https://laurentperrinet.github.io/post/2019-06-06-theconversation/ lien direct

• Modelling spiking neural networks using Brian, Nest and pyNN - (slides)

• Tutorial on predictive coding https://laurentperrinet.github.io/talk/2017-06-30-telluride/ https://laurentperrinet.github.io/sciblog/files/2017-06-30_Telluride.html