Thèse (M.Sc.)--Université Laval, 2008. / Titre de l'écran-titre (visionné le 2 sept. 2008). Bibliogr.

Thèses (M.Sc.)--Université de Sherbrooke (Canada), 2002. / Titre de l'écran-titre (visionné le 20 juin 2006). Publié aussi en version papier.

Thèse (M.Sc.) -- Université Laval, 1997. / Les légendes des ill. se trouvent sur les f.. en regard et portent une pagination. Bibliogr.: f. [40]-54. Publié aussi en version électronique.

Ce travail présente le Contrôle en Temps Réel (CTR) des Réseaux d’Assainissement (RA) dans le cadre des villes intelligentes. Le CTR nécessite de comprendre le fonctionnement du RA et d'effectuer des simulations sur des évènements mesurés, prévus et synthétiques. Par conséquent, un système de Surveillance en Temps Réel (STR) a été installé sur le site expérimental, et combinée à un modèle de simulation. Une méthode d'auto-calage des modèles hydrauliques et un système de prévision des conditions aux limites, ont été développés. Visant à protéger les citoyens et d'atténuer les conséquences des inondations, le CTR est composé d'un système de prévision des inondations suivi d'une gestion dynamique. Le concept et les méthodes proposés ont été appliqués sur le campus de l'Université de Lille 1, au sein du projet SunRise. STR a été trouvé très utile pour comprendre le fonctionnement du RA et pour le calage du modèle de simulation. L'Algorithme Génétique suivi par Pattern Search ont formé une procédure d'auto-calage efficace. NARX Neural Network a été développé et validé pour la prévision des conditions aux limites. Une fois l’opération du RA est analysée, le CTR a été développé. NARX Neural Network a été trouvé capable de prévoir les inondations. Une gestion dynamique pour augmenter la capacité de rétention du réservoir, a été étudiée sur la base du calcul de la variation temporaire de l’ouverture d’une vanne, et les résultats ont été satisfaisants en utilisant l'Algorithme Génétique et l’Algorithme des Abeilles, comme méthodes d'optimisation. Une gestion qualitative a également été examinée et testée pour vérifier son potentiel dans la réduction des volumes d'inondation. / This work presents the Real Time Control (RTC) of Urban Drainage Systems (UDS) within smart cities. RTC requires to understand the UDS operation and to perform simulations on measured, forecasted and synthetic events. Therefore, a Real Time Monitoring system (RTM) was implemented on the experimental site, and combined to a simulation model. A model auto-calibration process and hydraulic boundary conditions forecast system were developed, in order to simulate the hydrologic-hydraulic response. Aiming to protect the citizens and mitigate flooding consequences, the RTC was composed of a flooding forecast system followed by a dynamic management strategy. The proposed concept and methodologies were applied and evaluated on the Lille 1 University Campus, within the SunRise project. RTM was found very helpful in understanding the system operation and calibrating the simulation model. Genetic Algorithm followed by Pattern Search formed an effective auto-calibration procedure for the simulation model. NARX Neural Network was developed and validated for forecasting hydraulic boundary conditions. Once understanding the UDS operations, the RTC was developed. NARX Neural Network was found capable to forecast flooding events. A dynamic management for increasing a tank retention capacity, was studied based on calculating a Valve State Schedule, and results were satisfying by using Genetic Algorithm and a modified form of Artificial Bee Colony, as optimization methods. A qualitative management was also proposed and tested for verifying its potential in reducing flooding volumes.

Objectifs : Le gène SHANK3 code pour une protéine dite d’« échafaudage » localisée dans les synapses des neurones glutamatergiques. Elle est nécessaire au bon assemblage des protéines de la densité postsynaptique et est cruciale pour une transmission synaptique efficace. Des anomalies génétiques conduisant à la diminution de la protéine SHANK3 sont impliquées dans plusieurs maladies psychiatriques, incluant des formes génétiques de troubles du spectre autistique ainsi que la schizophrénie. Les mutations étant hétérozygotes, il serait théoriquement possible d’augmenter l’expression de la protéine SHANK3 en augmentant la transcription de l’allèle sain par des traitements chimiques. Cependant, la régulation transcriptionnelle du gène SHANK3 est très peu connue dans les neurones humains par manque de modèles cellulaires pertinents. L’objectif de mon travail de thèse a été de tirer avantage des propriétés d’autorenouvellement et de pluripotence des cellules souches pluripotentes humaines (Human Pluripotent Stem Cells, hPSC) pour produire une grande quantité de neurones humains glutamatergiques in vitro puis de les utiliser comme ressource cellulaire pour développer une technique de criblage à haut débit afin d’identifier des modulateurs de la transcription du gène SHANK3. Résultats : Des précurseurs neuronaux ont été dérivés à partir d’une lignée de cellules souches embryonnaires humaines (SA001, 46 XY, Cellartis, Suède) puis différenciés pendant 14 jours, dans des plaques 384 puits, afin d’obtenir une population composée d’au moins 70 % de neurones corticaux glutamatergiques. Une méthode à haut débit automatisée et miniaturisée basée sur la technique FastLane (Qiagen) a été développée pour extraire les ARNm directement à partir des plaques 384 puits. Les variations d’ARNm de SHANK3 induites par les différents traitements ont ensuite été quantifiées par qPCR Taqman en duplex, en normalisant avec le gène de ménage Cyclophiline A, et en rapportant aux niveaux d’ARNm de neurones non traités (Méthode de 2-ΔΔCt). Un criblage sur 205 composés, incluant des inhibiteurs de kinase, des régulateurs épigénétiques et des médicaments repositionnables, a été réalisé et 28 hits augmentant de plus de 30 % l’ARNm de SHANK3 ont été découverts. Seize composés ont été confirmés par des expériences de dose réponses sur l’ARNm de SHANK3. Des expériences d’immunofluorescence par imagerie à haut contenu ont confirmées que 4 composés augmentaient de façon significative les niveaux de la protéine SHANK3 dans le réseau neuritique, incluant des inhibiteurs de la kinase cycline dépendante 5 (Cdk5) avec la roscovitine et le lithium (régulateur d’humeur), l’antiépileptique acide valproïque et l’antipsychotique fluoxétine. Des mesures fonctionnelles de flux calcique ont validé l’effet du lithium et de l’acide valproïque sur la force synaptique glutamatergique. Enfin, le potentiel de ces composés a également été exploré sur des neurones différenciés à partir de cellules souches induites à la pluripotence (Induced Pluripotent Stem Cells, iPSC) d’individus autistes portant une mutation sur le gène SHANK3. Conclusion : Cette étude démontre qu’il est possible d’identifier des voies de régulation de protéines clés synaptiques, comme SHANK3, par méthode de criblage à haut débit en utilisant des neurones humains dérivés d’hPSC, incluant des neurones représentatifs d’individus autistes avec la technologie iPSC. Cette nouvelle approche devrait permettre une meilleure compréhension des mécanismes moléculaires responsable de l’autisme et la découverte de nouveaux composés thérapeutiques, personnalisables à de sous-groupes de sujets autistes classifiés en fonction du gène ou de la voie de signalisation à corriger plutôt qu’en fonction de leurs symptômes cliniques hétérogènes. / Aims: The SHANK3 gene codes for a scaffold protein located in synapses of glutamatergic neurons. It plays a crucial role in the postsynaptic density assembly and in controlling glutamatergic synaptic transmission. Genetic anomalies leading to a decrease in SHANK3 protein expression are implicated in several psychiatric conditions, including genetic forms of autism spectrum disorders and schizophrenia. Mutations being heterozygous, treatments that increase SHANK3 protein through transcriptional regulation may be therapeutically useful. However, little is known about SHANK3 gene transcriptional regulation in human neurons because of the lack of a relevant cellular model. Here I took advantage of the self-renewing and pluripotency properties of human pluripotent stem cells (hPSC) to produce a large amount of human glutamatergic neurons in vitro and use them as a cellular resource to develop a large-scale screening strategy to identify SHANK3 gene transcription modulators. Results: Neuronal precursors were differentiated from one human embryonic stem cell line (SA001, 46 XY, Cellartis, Sweden). Cultures containing more than 70% of neurons with a cortical glutamatergic phenotype were reproducibly obtained in 384-well plates upon 14 days of precursor differentiation. Automated and high-throughput mRNA extraction was performed using Fastlane technology (Qiagen) in 384-well plates. SHANK3 mRNA levels were quantified using duplex Taqman qPCR, normalized to Cyclophilin A mRNA levels, then to SHANK3 mRNA levels of vehicle-treated cells in order to determine SHANK3 mRNA variations induced by the compound treatment (2-ΔΔCt method). A screening assay was conducted on 205 compounds, including kinase inhibitors, epigenetic regulators and repositionable marketed drugs, and 28 compounds successfully passed the hit selection criteria yielding SHANK3 mRNA increases of at least 30% from mean control values with a statistical cut-off of 2 standard deviation. Sixteen compounds were confirmed by dose-response experiments on SHANK3 mRNA. Further immunofluorescence studies using high content imaging confirmed that 4 compounds increased levels of SHANK3 protein in the neuritic network. Thus, this screening identified as SHANK3 regulators 2 Cyclin-dependent kinase 5 (Cdk5) inhibitors the lead molecule, roscovitine and the mood regulator, lithium; the antiepileptic drug valproïc acid and the antipsychotic fluoxetine. In addition, functional calcium flux experiments validated lithium and valproïc acid effect on glutamatergic synaptic strength. Finally, the compounds were also tested on neurons differentiated from induced pluripotent stem cells (iPSC) of autistic patients bearing SHANK3 mutation. Conclusion: This study demonstrates that cellular pathways regulating a key synaptic protein, SHANK3, can be explored on a large scale using hPSC-derived neurons, including autistic individuals neurons using iPSC technology. This approach should help improving knowledge of the molecular mechanisms responsible of autism and promote the discovery of new therapeutic compounds, personalized to autistic subgroups of individuals stratified according to gene or pathway dysfunction rather than according to clinical heterogeneous symptoms.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

La récente découverte de la formation de nouveaux neurones dans certaines régions du cerveau adulte a remis en question notre conception des processus de plasticité neuronale. Dans le bulbe olfactif d’un adulte, il y a chaque jour des milliers de cellules qui envahissent le réseau bulbaire. La façon par laquelle ces neurones générés à l’âge adulte intègrent un réseau neuronal pré-existant demeure jusqu’à ce jour inexpliquée. De plus, nous ne savons toujours pas pourquoi il y a de nouveaux neurones qui sont formés dans le cerveau adulte. Nous avons examiné, dans un premier temps, le processus de formation des épines sur les dendrites des interneurones néoformés dans le bulbe olfactif. Nous avons démontré que les premières étapes de formation des épines dépendent grandement sur l’activité neuronale et que de cette façon le réseau bulbaire peut guider de façon efficace l’intégration des neurones générés à l’âge adulte. Dans un deuxième temps, nous nous sommes intéressés à la présence de plasticité structurelle une fois que ces nouveaux neurones ont déjà intégrés le réseau neuronal du bulbe olfactif. Nous avons découvert une nouvelle forme de plasticité structurelle qui consiste à un déplacement dans l’espace des épines vers des régions contenant des cellules principales plus actives. Ces résultats suggèrent une forme de plasticité capable de supporter les changements rapides qui ont lieu à l’intérieur du réseau neuronal du bulbe olfactif lorsque celui-ci s’adapte à un nouvel environnement sensoriel. Dans un dernier temps, nous nous sommes intéressés au rôle fonctionnel de l’arrivée incessante de nouveaux neurones dans le bulbe olfactif. Nous avons étudié les conséquences de l’arrêt de la neurogénèse adulte sur la transmission synaptique, sur l’activité neuronale et le comportement olfactif. Nos résultats révèlent que la neurogénèse adulte est importante pour maintenir l’inhibition sur les cellules principales qui en retour permet de synchroniser l’influx nerveux dans ces cellules. Cette influence sur la transmission synaptique à l’intérieur du réseau bulbaire est d’autant plus importante pour le maintien de la mémoire à court-terme des odeurs. Finalement, les résultats inclus dans cette thèse illustre la complexité que constitue l’intégration de nouveaux neurones dans un réseau neuronal pré-établi et l’importance de la neurogénèse adulte sur l’olfaction. / The recent discovery of the formation of new neurons in specific regions of the adult brain has challenged the way we perceived neuronal plasticity processes. In the olfactory bulb of adults, there are thousands of cells populating the neuronal network every day. There are as yet few clues on how adult-born cells mature and incorporate inside a pre-established network of neurons. Moreover, the function of new neurons formed in the adult brain remains elusive. We first investigated how connections in the adult brain are made by recording spine formation and motility on dendrites of adult-born interneurons in the olfactory bulb. We discovered that early steps of spine formation are dependent on network activity inside the olfactory bulb, as a way for the bulbar network to efficiently guide the integration of adult-born cells. Secondly, to understand how new neurons maintain their connections, we monitored the structural plasticity processes occurring once adult-born cells have integrated the network. We discovered a new form of structural plasticity by which spines translocate toward regions of increased neuronal activity. We thus provide an explanation for the rapid synaptic plasticity that can support the adaptation of the olfactory bulb network to the constantly changing odor environment of an animal. Finally, we investigated the functional role of adult-born cells in the olfactory bulb. We recorded the consequences of blocking adult neurogenesis on synaptic transmission, on the network activity and on olfactory behaviors. We reported that adult neurogenesis sustains inhibitory activity essential for synchronizing the principal cells of the olfactory bulb, and for short-term memory of odors. This thesis demonstrates the complexity of integrating and maintaining newborn cells in an adult neuronal network, and the importance of neurogenesis for olfactory functions.

Dans cette thèse, notre objectif est de développer des modèles d’apprentissage robustes et fiables mais précis, en particulier les Convolutional Neural Network (CNN), en présence des exemples anomalies, comme des exemples adversaires et d’échantillons hors distribution –Out-of-Distribution (OOD). Comme la première contribution, nous proposons d’estimer la confiance calibrée pour les exemples adversaires en encourageant la diversité dans un ensemble des CNNs. À cette fin, nous concevons un ensemble de spécialistes diversifiés avec un mécanisme de vote simple et efficace en termes de calcul pour prédire les exemples adversaires avec une faible confiance tout en maintenant la confiance prédicative des échantillons propres élevée. En présence de désaccord dans notre ensemble, nous prouvons qu’une borne supérieure de 0:5 + _0 peut être établie pour la confiance, conduisant à un seuil de détection global fixe de tau = 0; 5. Nous justifions analytiquement le rôle de la diversité dans notre ensemble sur l’atténuation du risque des exemples adversaires à la fois en boîte noire et en boîte blanche. Enfin, nous évaluons empiriquement la robustesse de notre ensemble aux attaques de la boîte noire et de la boîte blanche sur plusieurs données standards. La deuxième contribution vise à aborder la détection d’échantillons OOD à travers un modèle de bout en bout entraîné sur un ensemble OOD approprié. À cette fin, nous abordons la question centrale suivante : comment différencier des différents ensembles de données OOD disponibles par rapport à une tâche de distribution donnée pour sélectionner la plus appropriée, ce qui induit à son tour un modèle calibré avec un taux de détection des ensembles inaperçus de données OOD? Pour répondre à cette question, nous proposons de différencier les ensembles OOD par leur niveau de "protection" des sub-manifolds. Pour mesurer le niveau de protection, nous concevons ensuite trois nouvelles mesures efficaces en termes de calcul à l’aide d’un CNN vanille préformé. Dans une vaste série d’expériences sur les tâches de classification d’image et d’audio, nous démontrons empiriquement la capacité d’un CNN augmenté (A-CNN) et d’un CNN explicitement calibré pour détecter une portion significativement plus grande des exemples OOD. Fait intéressant, nous observons également qu’un tel A-CNN (nommé A-CNN) peut également détecter les adversaires exemples FGS en boîte noire avec des perturbations significatives. En tant que troisième contribution, nous étudions de plus près de la capacité de l’A-CNN sur la détection de types plus larges d’adversaires boîte noire (pas seulement ceux de type FGS). Pour augmenter la capacité d’A-CNN à détecter un plus grand nombre d’adversaires,nous augmentons l’ensemble d’entraînement OOD avec des échantillons interpolés inter-classes. Ensuite, nous démontrons que l’A-CNN, entraîné sur tous ces données, a un taux de détection cohérent sur tous les types des adversaires exemples invisibles. Alors que la entraînement d’un A-CNN sur des adversaires PGD ne conduit pas à un taux de détection stable sur tous les types d’adversaires, en particulier les types inaperçus. Nous évaluons également visuellement l’espace des fonctionnalités et les limites de décision dans l’espace d’entrée d’un CNN vanille et de son homologue augmenté en présence d’adversaires et de ceux qui sont propres. Par un A-CNN correctement formé, nous visons à faire un pas vers un modèle d’apprentissage debout en bout unifié et fiable avec de faibles taux de risque sur les échantillons propres et les échantillons inhabituels, par exemple, les échantillons adversaires et OOD. La dernière contribution est de présenter une application de A-CNN pour l’entraînement d’un détecteur d’objet robuste sur un ensemble de données partiellement étiquetées, en particulier un ensemble de données fusionné. La fusion de divers ensembles de données provenant de contextes similaires mais avec différents ensembles d’objets d’intérêt (OoI) est un moyen peu coûteux de créer un ensemble de données à grande échelle qui couvre un plus large spectre d’OoI. De plus, la fusion d’ensembles de données permet de réaliser un détecteur d’objet unifié, au lieu d’en avoir plusieurs séparés, ce qui entraîne une réduction des coûts de calcul et de temps. Cependant, la fusion d’ensembles de données, en particulier à partir d’un contexte similaire, entraîne de nombreuses instances d’étiquetées manquantes. Dans le but d’entraîner un détecteur d’objet robuste intégré sur un ensemble de données partiellement étiquetées mais à grande échelle, nous proposons un cadre d’entraînement auto-supervisé pour surmonter le problème des instances d’étiquettes manquantes dans les ensembles des données fusionnés. Notre cadre est évalué sur un ensemble de données fusionné avec un taux élevé d’étiquettes manquantes. Les résultats empiriques confirment la viabilité de nos pseudo-étiquettes générées pour améliorer les performances de YOLO, en tant que détecteur d’objet à la pointe de la technologie. / In this thesis, our goal is to develop robust and reliable yet accurate learning models, particularly Convolutional Neural Networks (CNNs), in the presence of adversarial examples and Out-of-Distribution (OOD) samples. As the first contribution, we propose to predict adversarial instances with high uncertainty through encouraging diversity in an ensemble of CNNs. To this end, we devise an ensemble of diverse specialists along with a simple and computationally efficient voting mechanism to predict the adversarial examples with low confidence while keeping the predictive confidence of the clean samples high. In the presence of high entropy in our ensemble, we prove that the predictive confidence can be upper-bounded, leading to have a globally fixed threshold over the predictive confidence for identifying adversaries. We analytically justify the role of diversity in our ensemble on mitigating the risk of both black-box and white-box adversarial examples. Finally, we empirically assess the robustness of our ensemble to the black-box and the white-box attacks on several benchmark datasets.The second contribution aims to address the detection of OOD samples through an end-to-end model trained on an appropriate OOD set. To this end, we address the following central question: how to differentiate many available OOD sets w.r.t. a given in distribution task to select the most appropriate one, which in turn induces a model with a high detection rate of unseen OOD sets? To answer this question, we hypothesize that the “protection” level of in-distribution sub-manifolds by each OOD set can be a good possible property to differentiate OOD sets. To measure the protection level, we then design three novel, simple, and cost-effective metrics using a pre-trained vanilla CNN. In an extensive series of experiments on image and audio classification tasks, we empirically demonstrate the abilityof an Augmented-CNN (A-CNN) and an explicitly-calibrated CNN for detecting a significantly larger portion of unseen OOD samples, if they are trained on the most protective OOD set. Interestingly, we also observe that the A-CNN trained on the most protective OOD set (calledA-CNN) can also detect the black-box Fast Gradient Sign (FGS) adversarial examples. As the third contribution, we investigate more closely the capacity of the A-CNN on the detection of wider types of black-box adversaries. To increase the capability of A-CNN to detect a larger number of adversaries, we augment its OOD training set with some inter-class interpolated samples. Then, we demonstrate that the A-CNN trained on the most protective OOD set along with the interpolated samples has a consistent detection rate on all types of unseen adversarial examples. Where as training an A-CNN on Projected Gradient Descent (PGD) adversaries does not lead to a stable detection rate on all types of adversaries, particularly the unseen types. We also visually assess the feature space and the decision boundaries in the input space of a vanilla CNN and its augmented counterpart in the presence of adversaries and the clean ones. By a properly trained A-CNN, we aim to take a step toward a unified and reliable end-to-end learning model with small risk rates on both clean samples and the unusual ones, e.g. adversarial and OOD samples.The last contribution is to show a use-case of A-CNN for training a robust object detector on a partially-labeled dataset, particularly a merged dataset. Merging various datasets from similar contexts but with different sets of Object of Interest (OoI) is an inexpensive way to craft a large-scale dataset which covers a larger spectrum of OoIs. Moreover, merging datasets allows achieving a unified object detector, instead of having several separate ones, resultingin the reduction of computational and time costs. However, merging datasets, especially from a similar context, causes many missing-label instances. With the goal of training an integrated robust object detector on a partially-labeled but large-scale dataset, we propose a self-supervised training framework to overcome the issue of missing-label instances in the merged datasets. Our framework is evaluated on a merged dataset with a high missing-label rate. The empirical results confirm the viability of our generated pseudo-labels to enhance the performance of YOLO, as the current (to date) state-of-the-art object detector.

Les réseaux de neurones artificiels connaissent des succès dans plusieurs domaines. Maisles utilisateurs des réseaux de neurones sont souvent confrontés aux problèmes de définitionde son architecture et d’interprétabilité de ses résultats. Plusieurs travaux ont essayé d’apporterune solution à ces problèmes. Pour les problèmes d’architecture, certains auteurs proposentde déduire cette architecture à partir d’un ensemble de connaissances décrivant le domaine duproblème et d’autres proposent d’ajouter de manière incrémentale les neurones à un réseauayant une taille initiale minimale. Les solutions proposées pour le problème d’interprétabilitédes résultats consistent à extraire un ensemble de règles décrivant le fonctionnement du réseau.Cette thèse contribue à la résolution de ces deux problèmes. Nous nous limitons à l’utilisationdes réseaux de neurones dans la résolution des problèmes de classification.Nous présentons dans cette thèse un état de l’art des méthodes existantes de recherche d’architecturede réseaux de neurones : une étude théorique et expérimentale est aussi faite. Decette étude, nous observons comme limites de ces méthodes la disponibilité absolue des connaissancespour construire un réseau interprétable et la construction des réseaux difficiles à interpréteren absence de connaissances. En alternative, nous proposons une méthode appelée CLANN(Concept Lattice-based Artificial Neural network) basée les treillis de Galois qui construit undemi-treillis à partir des données et déduire de ce demi-treillis l’architacture du réseau. CLANNétant limitée à la résolution des problèmes à deux classes, nous proposons MCLANN permettantd’étendre cette méthodes de recherche d’architecture des réseaux de neurones aux problèmes àplusieurs classes.Nous proposons aussi une méthode appelée ’Approche des MaxSubsets’ pour l’extractiondes règles à partir d’un réseau de neurones. La particularité de cette méthode est la possibilitéd’extraire les deux formats de règles (’si alors’ et ’m parmi N’) à partir d’une structure quenous construisons. Nous proposons aussi une façon d’expliquer le résultat calculé par le réseauconstruit par la méthode MCLANN au sujet d’un exemple. / The artificial neural networks are successfully applied in many applications. But theusers are confronted with two problems : defining the architecture of the neural network able tosolve their problems and interpreting the network result. Many research works propose some solutionsabout these problems : to find out the architecture of the network, some authors proposeto use the problem domain theory and deduct the network architecture and some others proposeto dynamically add neurons in the existing networks until satisfaction. For the interpretabilityproblem, solutions consist to extract rules which describe the network behaviour after training.The contributions of this thesis concern these problems. The thesis are limited to the use of theartificial neural networks in solving the classification problem.In this thesis, we present a state of art of the existing methods of finding the neural networkarchitecture : we present a theoritical and experimental study of these methods. From this study,we observe some limits : difficulty to use some method when the knowledges are not available ;and the network is seem as ’black box’ when using other methods. We a new method calledCLANN (Concept Lattice-based Artificial Neural Network) which builds from the training dataa semi concepts lattice and translates this semi lattice into the network architecture. As CLANNis limited to the two classes problems, we propose MCLANN which extends CLANN to manyclasses problems.A new method of rules extraction called ’MaxSubsets Approach’ is also presented in thisthesis. Its particularity is the possibility of extracting the two kind of rules (If then and M-of-N)from an internal structure.We describe how to explain the MCLANN built network result aboutsome inputs.

Le système vibrissal chez le rat est un modèle sensoriel particulièrement utile à étudier, car il représente un organe tactile excessivement développé et qui est nécessaire au comportement exploratoire de l'animal. L'organisation des vibrisses est représentée à chacun des niveaux de traitement de l'information, c'est-à-dire les noyaux du trijumeau, le noyau ventral postéro-médian (VPM) du thalamus et le cortex somatosensoriel primaire (SI). Les objectifs de ce mémoire consistent à classifier morphologiquement et électrophysiologiquement (in vitro) les neurones du SpVi, étudier les effets électrophysiologiques de l'acétylcholine sur les différentes populations neuronales et sur les transmissions synaptiques, ainsi que déterminer, de façon immunohistochimique, le ou les type(s) de récepteurs muscariniques impliqué(s) dans ces réponses.