Machine learning and computational modeling approaches towards detection of pathological activity markers in the cortex
Approches d'apprentissage automatique et de modélisation informatique pour la détection de marqueurs d'activité pathologique dans le cortex
Résumé
A central question in brain activity decoding is how to detect patterns of abnormal or pathological activity. In this thesis, we apply machine learning methods and computational modelling approaches to analyze neural activity data in the cortex and to learn how to detect markers of abnormal activity in animal models of several common neurodegenerative diseases. First, we identify the machine learning methods that perform well in classification tasks on single-neuron level activity data. We establish a benchmark for neuronal spike train classification and find the time-series features that are highly predictive of the neural circuit state across different tasks and brain areas. Using the established approaches, we analyze a data set of neural activity in the prefrontal cortex (PFC) in animals with mutations leading to dysfunctions of the cholinergic signalling system commonly associated with diseases such as schizophrenia and Alzheimer's disease. We also use computational modelling of the local circuit dynamics in the PFC to mechanistically explain the origins of the activity changes observed in these animals. Finally, we test the machine learning approaches on a multimodal data set of neural activity in an animal model of early amyotrophic lateral sclerosis (ALS). We show that in order to design a system that is capable of accurately detecting the pathological activity inherent to early ALS, one has to train the model to extract information from the interaction between the modalities of cortical activity and animal movement. Overall, we have provided insights into how computational modelling and machine learning could provide tools for detecting pathology from neural circuit activity recordings.
Une question centrale dans le décodage de l'activité cérébrale est de savoir comment détecter des schémas d'activité anormale ou pathologique. Dans cette thèse, nous appliquons des méthodes d'apprentissage automatique et des approches de modélisation informatique pour analyser les données d'activité neuronale dans le cortex et apprendre à détecter des marqueurs d'activité anormale dans des modèles animaux de plusieurs maladies neurodégénératives courantes. Tout d'abord, nous identifions les méthodes d'apprentissage automatique qui fonctionnent bien dans les tâches de classification sur des données d'activité au niveau d'un seul neurone. Nous établissons une référence pour la classification des trains de pointes neuronales et trouvons les caractéristiques de séries chronologiques hautement prédictives de l'état du circuit neuronal dans différentes tâches et zones cérébrales. En utilisant les approches établies, nous analysons un ensemble de données d'activité neuronale dans le cortex préfrontal (PFC) chez des animaux présentant des mutations entraînant des dysfonctionnements du système de signalisation cholinergique couramment associés à des maladies telles que la schizophrénie et la maladie d'Alzheimer. Nous utilisons également la modélisation informatique de la dynamique des circuits locaux dans le PFC pour expliquer mécaniquement les origines des changements d'activité observés chez ces animaux. Enfin, nous testons les approches d'apprentissage automatique sur un ensemble de données multimodales d'activité neuronale dans un modèle animal de sclérose latérale amyotrophique (SLA) précoce. Nous montrons que pour concevoir un système capable de détecter avec précision l'activité pathologique inhérente à la SLA précoce, il faut entraîner le modèle à extraire des informations de l'interaction entre les modalités de l'activité corticale et le mouvement animal. Dans l'ensemble, nous avons fourni des informations sur la façon dont la modélisation informatique et l'apprentissage automatique pourraient fournir des outils pour détecter la pathologie à partir des enregistrements d'activité des circuits neuronaux.
| Origine | Version validée par le jury (STAR) |
|---|