Les structures du système nerveux responsables des modalités de la prise de décision forment un circuit constitué par les ganglions de la base, le cortex, le thalamus et leurs nombreuses interconnexions. Ce circuit peut être décrit comme un ensemble de boucles fonctionnant en parallèle et interagissant en différents points. Des interactions entre ces boucles et de la plasticité de leurs connexions émergent les choix et donc les actions d’un individu. Ces comportements émergents et les phénomènes d’apprentissage qui en découlent sont abordés à travers une approche en boucle fermée dans laquelle le modèle théorique est en interaction constante avec l’environnement où se déroule la tâche comportementale étudiée. À cette fin, des outils de modélisation neuronale et d’analyse dédiés ont été développés dans le laboratoire d’accueil. Nous explorons donc ici la dynamique des flux d’information au sein de ce circuit à travers un modèle computationnel décrit à l'échelle du neurone et de la synapse. À partir d'observations expérimentales préalables réalisées sur le primate et de modèles computationnels antérieurs nous avons développé de manière incrémentale un réseau capable d'apprendre à réaliser les tâches comportementales dans plusieurs protocoles et conditions. Le résultat obtenu ici est un modèle computationnel d'apprentissage et de prise de décision dans les ganglions de la base qui permet de tester des hypothèses expérimentales et d’effectuer des investigations physiopathologiques ou pharmacologiques in silico à l'échelle cellulaire. Le développement de ce modèle computationnel a été mené en parallèle avec l'étude expérimentale d'un protocole de prise de décision et la mise au point d'un modèle de maladie de Parkinson chez la salamandre (Pleurodeles waltlii).