Titre de l'écran-titre (visionné le 29 novembre 2023) / L'apprentissage automatique a considérablement progressé dans le domaine de la recherche en neurosciences, mais son application pose des défis en raison des différences entre les principes biologiques du cerveau et les méthodes traditionnelles d'apprentissage automatique. Dans ce contexte, le projet présenté propose NeuroTorch, un pipeline convivial d'apprentissage automatique spécialement conçu pour les neuroscientifiques, afin de relever ces défis. Les objectifs clés de ce projet sont de fournir une librairie d'apprentissage profond adaptée aux neurosciences computationnelles, d'implémenter l'algorithme eligibility trace forward propagation (e-prop) pour sa plausibilité biologique, de comparer les réseaux de neurones continus et à impulsions en termes de résilience, et d'intégrer un pipeline d'apprentissage par renforcement. Le projet se divise en plusieurs parties. Tout d'abord, la théorie des dynamiques neuronales, des algorithmes d'optimisation et des fonctions de transformation d'espaces sera développée. Ensuite, l'attention sera portée sur la conception du pipeline NeuroTorch, incluant l'implémentation de l'algorithme e-prop. Les résultats de la prédiction de séries temporelles d'activité neuronale chez le poisson-zèbre seront présentés, ainsi que des observations sur la résilience à l'ablation des réseaux obtenus. Enfin, une section sera consacrée à l'exploration du pipeline d'apprentissage par renforcement de NeuroTorch et à la validation de son architecture dans l'environnement LunarLander de Gym. En résumé, les modèles à impulsions de NeuroTorch ont atteint des précisions de 96,37%, 85,58% et 74,16% respectivement sur les ensembles de validation MNIST, Fashion-MNIST et Heidelberg. De plus, les dynamiques leaky-integrate-and-fire with explicit synaptic current - low pass filter (SpyLIF-LPF) et Wilson-Cowan ont été entraînées avec succès à l'aide de l'algorithme e-prop sur des données neuronales expérimentales du ventral habenula du poisson-zèbre, obtenant respectivement des valeurs de pVar de 0,97 et 0,96. Les résultats concernant la résilience indiquent que l'application de la loi de Dale améliore la robustesse des modèles en termes d'ablation hiérarchique. Enfin, grâce au pipeline d'apprentissage par renforcement de NeuroTorch, différents types d'agents inspirés des neurosciences ont atteint le critère de réussite dans l'environnement LunarLander de Gym. Ces résultats soulignent la pertinence et l'efficacité de NeuroTorch pour les applications en neurosciences computationnelles. / Machine learning has made significant advancements in neuroscience research, but its application presents challenges due to the differences between the biological principles of the brain and traditional machine learning methods. In this context, the presented project proposes NeuroTorch, a comprehensive machine learning pipeline specifically designed for neuroscientists to address these challenges. The key objectives of this project are to provide a deep learning library tailored to computational neuroscience, implement the eligibility trace forward propagation (e-prop) algorithm for biological plausibility, compare continuous and spiking neural networks in terms of resilience, and integrate a reinforcement learning pipeline. The project is divided into several parts. Firstly, the theory of neural dynamics, optimization algorithms, and space transformation functions will be developed. Next focus will be on the design of the NeuroTorch pipeline, including the implementation of the e-prop algorithm. Results of predicting a time series of neuronal activity in zebrafish will be presented, along with observations on the resilience to network ablations obtained. Finally, a section will be dedicated to exploring the NeuroTorch reinforcement learning pipeline and validating its architecture in the LunarLander environment of Gym. In summary, NeuroTorch spiking models achieved accuracies of 96.37%, 85.58%, and 74.16% on the MNIST, Fashion-MNIST, and Heidelberg validation sets, respectively. Furthermore, the leaky-integrate-and-fire with explicit synaptic current - low pass filter (SpyLIF-LPF) and Wilson-Cowan dynamics were successfully trained using the e-prop algorithm on experimental neuronal data from the ventral habenula of zebrafish, achieving pVar values of 0.97 and 0.96, respectively. Results regarding resilience indicate that the application of the Dale law improves the robustness of models in terms of hierarchical ablation. Lastly, through the NeuroTorch reinforcement learning pipeline, different types of neuroscience-inspired agents successfully met the success criterion in the Gym's LunarLander environment. These results highlight the relevance and effectiveness of NeuroTorch for applications in computational neuroscience.

Le cerveau humain est constitué d'un grand nombre de neurones inter-connectés formant des faisceaux de fibres de matière blanche permettant de transmettre des influx nerveux entre différentes régions. Dans cette thèse, divers aspects de la connectivité anatomique cérébrale ont été étudiés en utilisant l'Imagerie par Résonance Magnétique (IRM) et la tractographie. La tractographie est aujourd'hui la seule méthode permettant de reconstruire, en partie, les faisceaux de fibres de matière blanche in vivo et de manière non-invasive. (1) Une première étude visait à caractériser de manière quantitative les faisceaux d'association courts fronto-pariétaux reconstruits par tractographie dans la région centrale chez vingt sujets sains. (2) Une deuxième étude visait à définir une nouvelle méthode de parcellisation (i.e., subdiviser le cerveau en différentes régions macroscopiques) en utilisant comme critère structurel de base des motifs de connectivité reconstruits par tractographie. (3) Enfin, une troisième étude avait pour objectif de créer une ontologie neuroanatomique afin de représenter des régions de matière grise macroscopiques connectées par des faisceaux de fibres reconstruits par tractographie et d'annoter automatiquement des données de la connectomique humaine. L'utilisation de raisonneurs DL (Description Logic) usuels permettait de générer automatiquement des inférences relatives aux relations partie-tout, de connectivité ou enfin de voisinage spatial. / Human brain contains a great number of neurons interconnected forming white matter fiber bundles that can transmit information between different regions. In this thesis, different aspects of anatomical connectivity were studied using Magnetic Resonance Imaging (MRI) and tractography. Tractography is currently the only tool that allow to reconstruct white matter fiber bundles in the living human brain and in a non invasive way. (1) A first study aimed to characterize quantitatively the white matter fiber bundles reconstructed by tractography between the precentral and postcentral gyri in twenty healthy subjects. (2) A second study aimed to define a new parcellation scheme (i.e., subdivide the brain into different macroscopic regions) using connectivity patterns reconstructed by tractography as the main structural criteria. (3) Lastly, a third study aimed to create a new ontology in order to represent gray matter regions connected by white matter fiber bundles reconstructed by tractography and to annotate automatically connectomics datasets. The use of common DL (Description Logic) reasoners allowed to infer automatically some new axioms concerning especially part-whole, connectivity or spatial relationships.