Talk given to a high-school class in 2014 to introduce mathematical concepts useful for neuroscience. The goal was to build up towards the Hodgkin-Huxley model to introduce the mindset of model building.
Quelques pages intéressantes sur Python avec des exemples, et en particulier en 1.4 le programme de calcul d'une intégrale par la méthode des rectangles, des trapèzes et de Simpson.
(1) Ce document provient de : https://www.apprendre-en-ligne.net/pymath/support.pdf (au 27 mars 2019)
(2) Il est extrait du site : https://www.apprendre-en-ligne.net/index.php
Une introduction à la géométrie de l'informationFrank Nielsen
These are the slide deck in french of a 40 minute lecture given at College de France on 23 February 2022 in the curriculum "Information and Complexity" of Prof. Stephane Mallat. https://www.college-de-france.fr/site/stephane-mallat/seminar-2022-02-23-11h15.htm
Quelques pages intéressantes sur Python avec des exemples, et en particulier en 1.4 le programme de calcul d'une intégrale par la méthode des rectangles, des trapèzes et de Simpson.
(1) Ce document provient de : https://www.apprendre-en-ligne.net/pymath/support.pdf (au 27 mars 2019)
(2) Il est extrait du site : https://www.apprendre-en-ligne.net/index.php
Une introduction à la géométrie de l'informationFrank Nielsen
These are the slide deck in french of a 40 minute lecture given at College de France on 23 February 2022 in the curriculum "Information and Complexity" of Prof. Stephane Mallat. https://www.college-de-france.fr/site/stephane-mallat/seminar-2022-02-23-11h15.htm
La programmation par contraintes avec Choco3 (Java)Aline Figoureux
Présentation rapide du concept de programmation par contraintes (Constraint programming) avec la librairie Java Choco3 lors du JUG du 9 Avril 2014 à Tours (France)
Résolution d'équations différentielles linéaires du premier ordre par la méth...SOFYANEBOUAMEUR
Les techniques de Runge-Kutta sont des schémas numériques à un pas qui permettent de résoudre les équations différentielles ordinaires. Elles font parties des méthodes les plus populaires de part leur facilité de mise en œuvre et leur précision. C'est Carle Runge et Martin Kutta qui, au début du XXe siècle, ont inventé ces méthodes.
Nous décrivons ici algorithme assez utilisé : celles de Runge-Kutta d'ordre 4.
La programmation par contraintes avec Choco3 (Java)Aline Figoureux
Présentation rapide du concept de programmation par contraintes (Constraint programming) avec la librairie Java Choco3 lors du JUG du 9 Avril 2014 à Tours (France)
Résolution d'équations différentielles linéaires du premier ordre par la méth...SOFYANEBOUAMEUR
Les techniques de Runge-Kutta sont des schémas numériques à un pas qui permettent de résoudre les équations différentielles ordinaires. Elles font parties des méthodes les plus populaires de part leur facilité de mise en œuvre et leur précision. C'est Carle Runge et Martin Kutta qui, au début du XXe siècle, ont inventé ces méthodes.
Nous décrivons ici algorithme assez utilisé : celles de Runge-Kutta d'ordre 4.
Résultats enquête RH 2024 Fonction Publique.pdfGERESO
Nous avons le plaisir de vous présenter les résultats de la 1ère édition de l’enquête « Professionnels RH de la Fonction Publique, comment allez-vous ? »
Forts du succès de notre baromètre annuel « Professionnels RH, comment allez-vous ? », publié pour la 4e fois en début d’année, et qui concerne principalement les professionnels RH des entreprises privées (90% des répondants exercent dans le secteur privé) nous avons souhaité, à travers ce nouveau baromètre, nous intéresser spécifiquement au moral des professionnels RH de la fonction publique.
En effet, les enjeux, les missions, les conditions de travail
des professionnels RH dans les établissements publics sont souvent bien distincts de ceux de leurs homologues du secteur privé…
Et leur moral également ! Ces différences justifiaient donc une enquête spécifique !
Merci à vous ! Vous avez été 240 professionnels RH dans
des établissements publics à répondre à nos questions et à nous livrer des aspects très personnels de votre vie de professionnel(le) des
ressources humaines du secteur public.
Alors, avez-vous un bon ou un mauvais moral en ce printemps 2024 ? Découvrez dans ce document tous les résultats de cette étude !
Newsletter SPW Agriculture en province du Luxembourg du 03-06-24BenotGeorges3
Les informations et évènements agricoles en province du Luxembourg et en Wallonie susceptibles de vous intéresser et diffusés par le SPW Agriculture, Direction de la Recherche et du Développement, Service extérieur de Libramont.
https://agriculture.wallonie.be/home/recherche-developpement/acteurs-du-developpement-et-de-la-vulgarisation/les-services-exterieurs-de-la-direction-de-la-recherche-et-du-developpement/newsletters-des-services-exterieurs-de-la-vulgarisation/newsletters-du-se-de-libramont.html
Bonne lecture et bienvenue aux activités proposées.
#Agriculture #Wallonie #Newsletter #Recherche #Développement #Vulgarisation #Evènement #Information #Formation #Innovation #Législation #PAC #SPW #ServicepublicdeWallonie
Formation M2i - Prise de parole face caméra : performer en distancielM2i Formation
Le travail en distanciel est de plus en plus incontournable et s'installe durablement dans la société, mais bien souvent, les collaborateurs d'une même entreprise n'ont pas toutes les aptitudes permettant d'être efficaces et impactants avec cette nouvelle façon de travailler : le télétravail !
Cette formation flash vous montrera qu'il est important de se professionnaliser et de faire du distanciel un agréable moment de travail.
Pour approfondir ces sujets et aller plus loin, vous pourrez vous inscrire à notre formation Prise de parole face caméra : performer en distanciel.
Formation offerte animée à distance par notre expert Camel Termellil
Newsletter SPW Agriculture en province du Luxembourg du 17-05-24BenotGeorges3
Les informations et évènements agricoles en province du Luxembourg et en Wallonie susceptibles de vous intéresser et diffusés par le SPW Agriculture, Direction de la Recherche et du Développement, Service extérieur de Libramont.
https://agriculture.wallonie.be/home/recherche-developpement/acteurs-du-developpement-et-de-la-vulgarisation/les-services-exterieurs-de-la-direction-de-la-recherche-et-du-developpement/newsletters-des-services-exterieurs-de-la-vulgarisation/newsletters-du-se-de-libramont.html
Sainte Jeanne d'Arc, patronne de la France 1412-1431.pptxMartin M Flynn
sainte patronne de la France, honorée en tant que défenseure de la nation française pour son rôle dans le siège d'Orléans et son insistance sur le couronnement de Charles VII de France pendant la guerre de Cent Ans.
Mathematics for neuroscience - a gentle introduction (in French)
1. Intro. Neur. Math Modél. Data Ref&Conc
Mathématiques pour les neurosciences
une petite présentation
Al Levity
allevity@ihr.mrc.ac.uk
1 / 134
2. Intro. Neur. Math Modél. Data Ref&Conc
• Santiago Ramón y Cajal, fin du XIXème siècle,
père des neurosciences.
• Hodgkin-Huxley, 1952
analogie entre un neurone et un système électrique,
• Aujourd’hui, on essaie de déchiffrer le code neuronal.
Quels rôles ont les mathématiques là-dedans ?
2 / 134
3. Intro. Neur. Math Modél. Data Ref&Conc
• Santiago Ramón y Cajal, fin du XIXème siècle,
père des neurosciences.
• Hodgkin-Huxley, 1952
analogie entre un neurone et un système électrique,
• Aujourd’hui, on essaie de déchiffrer le code neuronal.
Quels rôles ont les mathématiques là-dedans ?
3 / 134
4. Intro. Neur. Math Modél. Data Ref&Conc
• Santiago Ramón y Cajal, fin du XIXème siècle,
père des neurosciences.
• Hodgkin-Huxley, 1952
analogie entre un neurone et un système électrique,
• Aujourd’hui, on essaie de déchiffrer le code neuronal.
Quels rôles ont les mathématiques là-dedans ?
4 / 134
5. Intro. Neur. Math Modél. Data Ref&Conc
• Santiago Ramón y Cajal, fin du XIXème siècle,
père des neurosciences.
• Hodgkin-Huxley, 1952
analogie entre un neurone et un système électrique,
• Aujourd’hui, on essaie de déchiffrer le code neuronal.
Quels rôles ont les mathématiques là-dedans ?
5 / 134
6. Intro. Neur. Math Modél. Data Ref&Conc
• Santiago Ramón y Cajal, fin du XIXème siècle,
père des neurosciences.
• Hodgkin-Huxley, 1952
analogie entre un neurone et un système électrique,
• Aujourd’hui, on essaie de déchiffrer le code neuronal.
Quels rôles ont les mathématiques là-dedans ?
Modéliser et analyser.
6 / 134
7. Intro. Neur. Math Modél. Data Ref&Conc
Modéliser
What I cannot create I do not understand.
Richard Feynman (1918-1988)
7 / 134
8. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple physique : du macroscopique au microscopique.
La physique théorique cherche encore une théorie unificatrice.
8 / 134
9. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple physique : du macroscopique au microscopique.
La physique théorique cherche encore une théorie unificatrice.
9 / 134
10. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple physique : du macroscopique au microscopique.
La physique théorique cherche encore une théorie unificatrice.
10 / 134
11. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple physique : du macroscopique au microscopique.
La physique théorique cherche encore une théorie unificatrice.
11 / 134
12. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple physique : du macroscopique au microscopique.
La physique théorique cherche encore une théorie unificatrice.
12 / 134
13. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple physique : du macroscopique au microscopique.
La physique théorique cherche encore une théorie unificatrice.
13 / 134
14. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Mathématique : un monde sans échelles.
Les fractales (auto-similaires)
14 / 134
15. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Mathématique : un monde sans échelles.
Les fractales (auto-similaires)
15 / 134
16. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Mathématique : un monde sans échelles.
Les fractales (auto-similaires)
16 / 134
17. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Mathématique : un monde sans échelles.
Les fractales (auto-similaires)
17 / 134
18. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Mathématique : un monde sans échelles.
Les fractales (auto-similaires)
(Sierpinski, Escher, Droste effect)
18 / 134
19. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Mathématique : un monde d’échelles.
Les fractales (non auto-similaires)
19 / 134
20. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Mathématique : un monde d’échelles.
Les fractales (non auto-similaires)
20 / 134
21. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Mathématique : un monde d’échelles.
Les fractales (non auto-similaires)
http://www.htwins.net/mandyzoom/
http://www.youtube.com/watch?v=tzNjmSGVs6o
21 / 134
22. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Neuro : du macroscopique au microscopique.
22 / 134
23. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Neuro : du macroscopique au microscopique.
23 / 134
24. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Neuro : du macroscopique au microscopique.
24 / 134
25. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Neuro : du macroscopique au microscopique.
25 / 134
26. Intro. Neur. Math Modél. Data Ref&Conc
Les échelles (scaling)
Exemple Neuro : du macroscopique au microscopique.
26 / 134
27. Intro. Neur. Math Modél. Data Ref&Conc
Découvertes et technologie
Santiago Ramón y Cajal, 1899 Lynne Quarmby, 2011
27 / 134
29. Intro. Neur. Math Modél. Data Ref&Conc
Quelques nombres
• ⇡100.000.000.000 neurones chez l’Homme
29 / 134
30. Intro. Neur. Math Modél. Data Ref&Conc
Quelques nombres
• ⇡100.000.000.000 neurones chez l’Homme
30 / 134
31. Intro. Neur. Math Modél. Data Ref&Conc
Quelques nombres
• ⇡100.000.000.000 neurones chez l’Homme
• Jusqu’à 10.000 connections par neurone
31 / 134
32. Intro. Neur. Math Modél. Data Ref&Conc
Quelques nombres
• ⇡100.000.000.000 neurones chez l’Homme
• Jusqu’à 10.000 connections par neurone
32 / 134
33. Intro. Neur. Math Modél. Data Ref&Conc
Quelques nombres
• ⇡100.000.000.000 neurones chez l’Homme
• Jusqu’à 10.000 connections par neurone
• Plusieurs types de neurones
33 / 134
34. Intro. Neur. Math Modél. Data Ref&Conc
Quelques nombres
• ⇡100.000.000.000 neurones chez l’Homme
• Jusqu’à 10.000 connections par neurone
• Plusieurs types de neurones
34 / 134
35. Intro. Neur. Math Modél. Data Ref&Conc
Quelques nombres
• ⇡100.000.000.000 neurones chez l’Homme
• Jusqu’à 10.000 connections par neurone
• Plusieurs types de neurones
• Différentes échelles possibles
35 / 134
36. Intro. Neur. Math Modél. Data Ref&Conc
Quelques nombres
• ⇡100.000.000.000 neurones chez l’Homme
• Jusqu’à 10.000 connections par neurone
• Plusieurs types de neurones
• Différentes échelles possibles
36 / 134
37. Intro. Neur. Math Modél. Data Ref&Conc
Connectome
D’où des connections difficiles à analyser.
37 / 134
38. Intro. Neur. Math Modél. Data Ref&Conc
Neurones : deux régimes électriques
Information neuronale électrique =) électrodes
38 / 134
39. Intro. Neur. Math Modél. Data Ref&Conc
Neurones : deux régimes électriques
Information neuronale électrique =) électrodes
39 / 134
40. Intro. Neur. Math Modél. Data Ref&Conc
Neurones : deux régimes électriques
Voltage
(mV)
Time (ms)
40 / 134
41. Intro. Neur. Math Modél. Data Ref&Conc
Neurones : deux régimes électriques
Voltage
(mV)
Time (ms)
41 / 134
42. Intro. Neur. Math Modél. Data Ref&Conc
Neurones : deux régimes électriques
Voltage
(mV)
Time (ms)
42 / 134
43. Intro. Neur. Math Modél. Data Ref&Conc
Neurones : deux régimes électriques
Voltage
(mV)
Time (ms)
43 / 134
44. Intro. Neur. Math Modél. Data Ref&Conc
Dynamique des potentiels d’action
Les spikes se ressemblent
-0.02 -0.01 0.01 0.02
-50
-40
-30
-20
-10
44 / 134
45. Intro. Neur. Math Modél. Data Ref&Conc
OUT ILS MAT HEMAT IQUES
45 / 134
46. Intro. Neur. Math Modél. Data Ref&Conc
Dérivation
Graphe de la fonction
f :
⇢
R ! R
x 7! x3 3x
x3 3x
5 4 3 2 1 1 2 3 4 5
40
32
24
16
8
8
16
24
32
40
46 / 134
47. Intro. Neur. Math Modél. Data Ref&Conc
Dérivation
Graphe de la fonction Dérivée de f :
f :
⇢
R ! R
x 7! x3 3x
f 0 :
⇢
R ! R
x 7! ?
x3 3x
5 4 3 2 1 1 2 3 4 5
40
32
24
16
8
8
16
24
32
40
47 / 134
48. Intro. Neur. Math Modél. Data Ref&Conc
Dérivation
Graphe de la fonction Dérivée de f :
f :
⇢
R ! R
x 7! x3 3x
f 0 :
⇢
R ! R
x 7! ?
x3 3x
5 4 3 2 1 1 2 3 4 5
40
32
24
16
8
8
16
24
32
40 Définition : pour x 2 R,
f 0
(x) := lim
h!0
f (x + h) f (x)
h
48 / 134
49. Intro. Neur. Math Modél. Data Ref&Conc
Dérivation
Graphe de la fonction Dérivée de f :
f :
⇢
R ! R
x 7! x3 3x
f 0 :
⇢
R ! R
x 7! ?
x3 3x
5 4 3 2 1 1 2 3 4 5
40
32
24
16
8
8
16
24
32
40 Définition : pour x 2 R,
f 0
(x) := lim
h!0
f (x + h) f (x)
h
Propriété : soient f et g deux
fonctions dérivables,
a, b 2 R, n 2 N⇤
. Alors
(af + bg)0 = af 0 + bg0
(fg)0 = f 0 ⇤ g + f ⇤ g0
(f n)0 = n(f 0)f n 1
49 / 134
50. Intro. Neur. Math Modél. Data Ref&Conc
Dérivation
Graphe de la fonction Dérivée de f :
f :
⇢
R ! R
x 7! x3 3x
f 0 :
⇢
R ! R
x 7! 3x2 3
x3 3x
5 4 3 2 1 1 2 3 4 5
40
32
24
16
8
8
16
24
32
40
3x2 3
5 4 3 2 1 1 2 3 4 5
40
32
24
16
8
8
16
24
32
40
50 / 134
51. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Équation dont l’inconnue est une fonction f , entre f et ses dérivées.
51 / 134
52. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Équation dont l’inconnue est une fonction f , entre f et ses dérivées.
Exemples : f 0(x) = f (x)
52 / 134
53. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Équation dont l’inconnue est une fonction f , entre f et ses dérivées.
Exemples : f 0 = f 2 3f + 2
53 / 134
54. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Équation dont l’inconnue est une fonction f , entre f et ses dérivées.
Exemples : f 0(x) + f 00(x) = f 2(x)+1
1+x2
54 / 134
55. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Équation dont l’inconnue est une fonction f , entre f et ses dérivées.
Existence et unicité d’une solution ?
55 / 134
56. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Équation dont l’inconnue est une fonction f , entre f et ses dérivées.
Existence et unicité d’une solution ?
Préciser des conditions aux limites.
56 / 134
57. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Équation dont l’inconnue est une fonction f , entre f et ses dérivées.
Existence et unicité d’une solution ?
Préciser des conditions aux limites.
Trouver le domaine.
57 / 134
58. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Équation dont l’inconnue est une fonction f , entre f et ses dérivées.
Existence et unicité d’une solution ?
Préciser des conditions aux limites.
Trouver le domaine.
De nombreux théorèmes (Lipshitz), de nombreuses conjectures.
58 / 134
60. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Résolution graphique de
⇢
f 0 = f
f (0) = 1.
5 4 3 2 1 1 2 3 4 5
1
1
2
3
4
5
6
7
8
9
10
60 / 134
61. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Résolution graphique de
⇢
f 0 = f
f (0) = 1.
5 4 3 2 1 1 2 3 4 5
1
1
2
3
4
5
6
7
8
9
10
61 / 134
62. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
Résolution graphique de
⇢
f 0 = f
f (0) = 1.
5 4 3 2 1 1 2 3 4 5
1
1
2
3
4
5
6
7
8
9
10
62 / 134
63. Intro. Neur. Math Modél. Data Ref&Conc
Equations différentielles
63 / 134
64. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
1827 1905 1921
64 / 134
65. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
1827 1905 1921
Biologie
Robert Brown re-
marque au microscope
que le mouvement de
grains de pollen sur
l’eau ne suit pas de
logique évidente.
65 / 134
66. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
1827 1905 1921
Biologie Physique
Robert Brown re-
marque au microscope
que le mouvement de
grains de pollen sur
l’eau ne suit pas de
logique évidente.
Albert Einstein pub-
lie une théorie quant-
itative du mouvement
brownien.
66 / 134
67. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
1827 1905 1921
Biologie Physique Mathématiques
Robert Brown re-
marque au microscope
que le mouvement de
grains de pollen sur
l’eau ne suit pas de
logique évidente.
Albert Einstein pub-
lie une théorie quant-
itative du mouvement
brownien.
Norbert Wiener
propose un cadre
formel au mouvement
brownien : le processus
de Wiener.
67 / 134
69. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
Permet une théorie du calcul stochastique
(des équations différentielles qui contiennent de l’aléa)
f 0
(t) = f (t) ! ! !
69 / 134
70. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
Permet une théorie du calcul stochastique
(des équations différentielles qui contiennent de l’aléa)
f 0
(t) = f (t) !
df
dt
(t) = f (t) ! !
70 / 134
71. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
Permet une théorie du calcul stochastique
(des équations différentielles qui contiennent de l’aléa)
f 0
(t) = f (t) !
df
dt
(t) = f (t) !
df
dt
= f !
71 / 134
72. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
Permet une théorie du calcul stochastique
(des équations différentielles qui contiennent de l’aléa)
f 0
(t) = f (t) !
df
dt
(t) = f (t) !
df
dt
= f ! df = f dt
72 / 134
73. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
Permet une théorie du calcul stochastique
(des équations différentielles qui contiennent de l’aléa)
Calcul classique : df = f dt
73 / 134
74. Intro. Neur. Math Modél. Data Ref&Conc
Mouvement brownien
Permet une théorie du calcul stochastique
(des équations différentielles qui contiennent de l’aléa)
Calcul classique : df = f dt
Calcul stochastique : df = f dt + dBt
74 / 134
76. Intro. Neur. Math Modél. Data Ref&Conc
Hodgkin-Huxley model (HH)
Modéliser le voltage d’un neurone en modélisant les mécanismes
biologiques qui le font varier.
V 0
(t) = ?
76 / 134
77. Intro. Neur. Math Modél. Data Ref&Conc
Hodgkin-Huxley model (HH)
Modéliser le voltage d’un neurone en modélisant les mécanismes
biologiques qui le font varier.
V 0
(t) = ?
Qu’est-ce qui détermine le potentiel électronique dans un neurone ?
77 / 134
78. Intro. Neur. Math Modél. Data Ref&Conc
Hodgkin-Huxley model (HH)
Modéliser le voltage d’un neurone en modélisant les mécanismes
biologiques qui le font varier.
V 0
(t) = ?
Qu’est-ce qui détermine le potentiel électronique dans un neurone ?
Les ions :
78 / 134
79. Intro. Neur. Math Modél. Data Ref&Conc
Hodgkin-Huxley model (HH)
Modéliser le voltage d’un neurone en modélisant les mécanismes
biologiques qui le font varier.
V 0
(t) = ?
Qu’est-ce qui détermine le potentiel électronique dans un neurone ?
Les ions :
• Potassium K+
79 / 134
80. Intro. Neur. Math Modél. Data Ref&Conc
Hodgkin-Huxley model (HH)
Modéliser le voltage d’un neurone en modélisant les mécanismes
biologiques qui le font varier.
V 0
(t) = ?
Qu’est-ce qui détermine le potentiel électronique dans un neurone ?
Les ions :
• Potassium K+
• Sodium Na+
80 / 134
81. Intro. Neur. Math Modél. Data Ref&Conc
Hodgkin-Huxley model (HH)
Modéliser le voltage d’un neurone en modélisant les mécanismes
biologiques qui le font varier.
V 0
(t) = ?
Qu’est-ce qui détermine le potentiel électronique dans un neurone ?
Les ions :
• Potassium K+
• Sodium Na+
• ...
81 / 134
82. Intro. Neur. Math Modél. Data Ref&Conc
Hodgkin-Huxley model (HH)
Modéliser le voltage d’un neurone en modélisant les mécanismes
biologiques qui le font varier.
V 0
(t) = ?
Qu’est-ce qui détermine le potentiel électronique dans un neurone ?
Les ions :
• Potassium K+
• Sodium Na+
• ...
On va donc construire notre modèle en choisissant comment nos
paramètres influent sur la variation du voltage.
82 / 134
83. Intro. Neur. Math Modél. Data Ref&Conc
Hodgkin-Huxley model (HH)
Modéliser le voltage d’un neurone en modélisant les mécanismes
biologiques qui le font varier.
V 0
(t) = f (nK+ , nNa+ , V (t))
Qu’est-ce qui détermine le potentiel électronique dans un neurone ?
Les ions :
• Potassium K+
• Sodium Na+
• ...
On va donc construire notre modèle en choisissant comment nos
paramètres influent sur la variation du voltage.
83 / 134
84. Intro. Neur. Math Modél. Data Ref&Conc
Dynamique des potentiels d’action
84 / 134
85. Intro. Neur. Math Modél. Data Ref&Conc
Potentiels d’action : jeu de barycentre
85 / 134
86. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Comme ce sont les propriétés électriques du neurone qui créent les
potentiels d’action, on va construire notre modèle par analogie avec
un système électrique.
86 / 134
87. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
En 1963, ils recevaient le prix Nobel de physiologie ou médecine pour ce travail.
87 / 134
88. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
88 / 134
89. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
89 / 134
90. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
90 / 134
91. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Dans un circuit en parallèle, les courants s’ajoutent :
Itotal = IC + IK + INa + Il
• IC est le courant passant à travers la bicouche lipidique,
• IK , INa sont les courants à travers les canaux ioniques K et Na,
• Il est un courant de fuite (leakage current), principalement via des
fluctuations en ions chlorure (Cl ).
91 / 134
92. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Dans un circuit en parallèle, les courants s’ajoutent :
Itotal = IC + IK + INa + Il
On peut utiliser la loi d’Ohm (R Résistance, g Conductance) :
Ii =
Vi
Ri
= gi Vi
92 / 134
93. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Dans un circuit en parallèle, les courants s’ajoutent :
Itotal = IC + IK + INa + Il
On peut utiliser la loi d’Ohm (R Résistance, g Conductance) :
Ii =
Vi
Ri
= gi Vi
Comme l’intensité due à chaque type de courant est par rapport à une valeur
"de repos"
IK = gk (V VK )
INa = gNa(V VNa)
Il = gl (V Vl )
93 / 134
94. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Dans un circuit en parallèle, les courants s’ajoutent :
Itotal = IC + IK + INa + Il
On peut utiliser la loi d’Ohm (R Résistance, g Conductance) :
Ii =
Vi
Ri
= gi Vi
Comme l’intensité due à chaque type de courant est par rapport à une valeur
"de repos"
IK = gk (V VK )
INa = gNa(V VNa)
Il = gl (V Vl )
à part le courant IC qui est régit par une autre loi
IC = C
dV
dt
94 / 134
95. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
On se retrouve donc avec une formule plus intéressante
I = C
dV
dt
+ gk(V VK ) + gNa(V VNa) + gl (V Vl )
95 / 134
96. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
On se retrouve donc avec une formule plus intéressante
I = C
dV
dt
+ gk(V VK ) + gNa(V VNa) + gl (V Vl )
Qu’est-ce qui est constant, qu’est-ce qui est variable ?
96 / 134
97. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
On se retrouve donc avec une formule plus intéressante
I = C
dV
dt
+ gk(V VK ) + gNa(V VNa) + gl (V Vl )
Qu’est-ce qui est constant, qu’est-ce qui est variable ?
97 / 134
98. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
I = C
dV
dt
+ gk(V VK ) + gNa(V VNa) + gl (V Vl )
Dans notre travail de modélisation, il nous reste à
• évaluer les constantes (les biologistes sont nos amis),
• modéliser les variables gK , gNa.
98 / 134
99. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Comme la conductance gK est maximale lorsque tous les canaux
ioniques de potassium sont actifs (i.e. laissent passer des ions), on
écrit tout d’abord
gK = gK ⇥ ?
où ? est une variable entre 0 et 1 donnant le pourcentage de
canaux actifs.
99 / 134
100. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Pour qu’un canal ionique soit actif, il faut
• qu’il ne soit pas désactivé,
• qu’il ne soit pas inactivé.
100 / 134
101. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Des données permettent l’estimation suivante des canaux ioniques :
• K+ : 4 portes pour la désactiver, 0 pour l’inactiver.
• Na+ : 3 portes pour la désactiver, 1 pour l’inactiver.
101 / 134
102. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Des données permettent l’estimation suivante des canaux ioniques :
• K+ : 4 portes pour la désactiver, 0 pour l’inactiver.
• Na+ : 3 portes pour la désactiver, 1 pour l’inactiver.
Ainsi, si on note n la probabilité qu’une porte désactive un canal
K+, la probabilité que le canal soit ouvert est n4 (indépendance des
évènements).
102 / 134
103. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Des données permettent l’estimation suivante des canaux ioniques :
• K+ : 4 portes pour la désactiver, 0 pour l’inactiver.
• Na+ : 3 portes pour la désactiver, 1 pour l’inactiver.
Ainsi, si on note n la probabilité qu’une porte désactive un canal
K+, la probabilité que le canal soit ouvert est n4 (indépendance des
évènements).
Si on note m la probabilité qu’une porte désactive un canal Na+, h
la probabilité qu’une porte inactive le canal, alors la probabilité que
le canal soit ouvert est m3h.
103 / 134
104. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Notre modèle devient donc
I = C
dV
dt
+ gK n4
(V VK ) + gNam3
h(V VNa) + gl (V Vl )
et il nous reste à modéliser la variation des variables m, n, h.
104 / 134
105. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Notre modèle devient donc
I = C
dV
dt
+ gK n4
(V VK ) + gNam3
h(V VNa) + gl (V Vl )
et il nous reste à modéliser la variation des variables m, n, h.
Pour certaines raisons, Hodgkin et Huxley ont cherché à modéliser
sous la forme suivante :
105 / 134
106. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Notre modèle devient donc
I = C
dV
dt
+ gK n4
(V VK ) + gNam3
h(V VNa) + gl (V Vl )
et il nous reste à modéliser la variation des variables m, n, h.
Pour certaines raisons, Hodgkin et Huxley ont cherché à modéliser
sous la forme suivante :
˙n = ↵n(V ) (1 n) n(V ) n,
˙m = ↵m(V ) (1 m) m(V ) m,
˙h = ↵h(V ) (1 h) h(V ) h,
106 / 134
107. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Notre modèle devient donc
I = C
dV
dt
+ gK n4
(V VK ) + gNam3
h(V VNa) + gl (V Vl )
et il nous reste à modéliser la variation des variables m, n, h.
Pour certaines raisons, Hodgkin et Huxley ont cherché à modéliser
sous la forme suivante :
˙n = ↵n(V ) (1 n) n(V ) n,
˙m = ↵m(V ) (1 m) m(V ) m,
˙h = ↵h(V ) (1 h) h(V ) h,
JACKPOT
107 / 134
108. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Les biologistes ont des tech-
niques pour figer les canaux io-
niques, permettant d’évaluer les
fonctions ↵i (V ) et i (V ) une
par une.
Les équations de ces fonctions
sont ensuites ajustées pour
approcher la ’voltage-clamped’
data.
108 / 134
109. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Les équations proposées en 1952 furent :
↵n(V ) = 0.01 10 V
e
10 V
10 1
n(V ) = 0.125 e
V
80
↵m(V ) = 0.1 25 V
e
25 V
10 1
m(V ) = 4 e
V
18
↵h(V ) = 0.07 e
V
20
h(V ) = 1
e
30 V
10 +1
109 / 134
110. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
Les équations proposées en 1952 furent :
↵n(V ) = 0.01 10 V
e
10 V
10 1
n(V ) = 0.125 e
V
80
↵m(V ) = 0.1 25 V
e
25 V
10 1
m(V ) = 4 e
V
18
↵h(V ) = 0.07 e
V
20
h(V ) = 1
e
30 V
10 +1
d’où notre modèle complet.
110 / 134
111. Intro. Neur. Math Modél. Data Ref&Conc
HH model : construction
111 / 134
112. Intro. Neur. Math Modél. Data Ref&Conc
Testons le modèle
On va tester deux caractéristiques des vrais neurones que notre
modèle devrait avoir :
1. Bifurcation
2. Résonance
112 / 134
113. Intro. Neur. Math Modél. Data Ref&Conc
Testons le modèle
On va tester deux caractéristiques des vrais neurones que notre
modèle devrait avoir :
1. Bifurcation
(apparition d’un spike à partir d’une certaine valeur du paramètre I),
2. Résonance
113 / 134
114. Intro. Neur. Math Modél. Data Ref&Conc
Testons le modèle
On va tester deux caractéristiques des vrais neurones que notre
modèle devrait avoir :
1. Bifurcation
(apparition d’un spike à partir d’une certaine valeur du paramètre I),
2. Résonance
(ce n’est pas parce qu’on augmente la valeur du paramètre I qu’il y
a plus de spikes).
114 / 134
115. Intro. Neur. Math Modél. Data Ref&Conc
HH model : test 1
I = 2.2 I = 2.2406730 I = 2.2406731 I = 5
115 / 134
116. Intro. Neur. Math Modél. Data Ref&Conc
HH model : test 1
V (t)
I = 2.2
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 2.2406730 I = 2.2406731 I = 5
116 / 134
117. Intro. Neur. Math Modél. Data Ref&Conc
HH model : test 1
V (t)
I = 2.2
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 2.2406730
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 2.2406731 I = 5
117 / 134
118. Intro. Neur. Math Modél. Data Ref&Conc
HH model : test 1
V (t)
I = 2.2
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 2.2406730
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 2.2406731
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 5
118 / 134
119. Intro. Neur. Math Modél. Data Ref&Conc
HH model : test 1
V (t)
I = 2.2
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 2.2406730
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 2.2406731
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
I = 5
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
119 / 134
120. Intro. Neur. Math Modél. Data Ref&Conc
HH model : test 1
V (t)
gNa(t)
gK (t)
m(t)
h(t)
I = 2.2
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
5 10 15 20 25 30
time
10
20
30
gNa
Sodium channel conductance versus time
5 10 15 20 25 30
time
-5
5
10
15
gK
Potassium channel conductance versus time
0 5 10 15 20 25 30
time
0.2
0.4
0.6
0.8
1.0
mHtL
mHtL versus time
0 5 10 15 20 25 30
time
0.2
0.4
0.6
0.8
1.0
hHtL
hHtL versus time
I = 2.2406730
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
5 10 15 20 25 30
time
10
20
30
gNa
Sodium channel conductance versus time
5 10 15 20 25 30
time
-5
5
10
15
gK
Potassium channel conductance versus time
0 5 10 15 20 25 30
time
0.2
0.4
0.6
0.8
1.0
mHtL
mHtL versus time
0 5 10 15 20 25 30
time
0.2
0.4
0.6
0.8
1.0
hHtL
hHtL versus time
I = 2.2406731
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
5 10 15 20 25 30
time
10
20
30
gNa
Sodium channel conductance versus time
5 10 15 20 25 30
time
-5
5
10
15
gK
Potassium channel conductance versus time
0 5 10 15 20 25 30
time
0.2
0.4
0.6
0.8
1.0
mHtL
mHtL versus time
0 5 10 15 20 25 30
time
0.2
0.4
0.6
0.8
1.0
hHtL
hHtL versus time
I = 5
5 10 15 20 25 30
time
-20
20
40
60
80
100
120
V
Membrane voltage versus time
5 10 15 20 25 30
time
10
20
30
gNa
Sodium channel conductance versus time
5 10 15 20 25 30
time
-5
5
10
15
gK
Potassium channel conductance versus time
0 5 10 15 20 25 30
time
0.2
0.4
0.6
0.8
1.0
mHtL
mHtL versus time
0 5 10 15 20 25 30
time
0.2
0.4
0.6
0.8
1.0
hHtL
hHtL versus time
120 / 134
123. Intro. Neur. Math Modél. Data Ref&Conc
Obtenir des données
Méthodes d’obtention de données neuronales en 3 catégories :
123 / 134
124. Intro. Neur. Math Modél. Data Ref&Conc
Obtenir des données
Méthodes d’obtention de données neuronales en 3 catégories :
• invasives,
124 / 134
125. Intro. Neur. Math Modél. Data Ref&Conc
Obtenir des données
Méthodes d’obtention de données neuronales en 3 catégories :
• invasives,
• semi-invasives,
125 / 134
126. Intro. Neur. Math Modél. Data Ref&Conc
Obtenir des données
Méthodes d’obtention de données neuronales en 3 catégories :
• invasives,
• semi-invasives,
• non-invasives.
126 / 134
127. Intro. Neur. Math Modél. Data Ref&Conc
EEG/MEG : électro/magnetoencéphalogramme
Electrodes qui captent les variations électriques/magnétiques. 127 / 134
128. Intro. Neur. Math Modél. Data Ref&Conc
MRI : Imagerie par Résonance Magnétique
Excitation magnétique des atomes d’hydrogène.
128 / 134
129. Intro. Neur. Math Modél. Data Ref&Conc
fMRI: Imagerie par Résonance Magnétique fonctionnelle
Mesure la quantité d’oxygène, croissante dans les zones actives.
129 / 134
130. Intro. Neur. Math Modél. Data Ref&Conc
dMRI: IRM de diffusion
Utilise le mouvement brownien des molécules d’eau du corps humain.
130 / 134
132. Intro. Neur. Math Modél. Data Ref&Conc
Références
Wikipédia (toujours vérifier les sources)
Google
Twitter
Denis Le Billan, Le cerveau de crystal
Izhikevich, Dynamical Systems in Neuroscience: The Geometry of
Excitability and Bursting
132 / 134
133. Intro. Neur. Math Modél. Data Ref&Conc
Conclusion
Les sciences se partagent la compréhension des phénomènes ; être
scientifique implique une ouverture.
Et il n’est jamais trop tôt pour être chercheur : n’attendez pas que
les choses arrivent.
133 / 134
134. Intro. Neur. Math Modél. Data Ref&Conc
Merci de votre attention
Et si vous avez des questions scientifiques : allevity@ihr.mrc.ac.uk
134 / 134