Une des questions fondamentales en neurobiologie du développement est de comprendre quels sont les mécanismes responsables de la formation des circuits neuronaux. Alors que les circuits de neurones projecteurs ont fait l'objet d'études intensives, aujourd'hui encore peu de chose est connu sur les molécules et les voies de signalisation impliquées dans la croissance et la différentiation axonale des interneurones GABA. Au cours de ma thèse, j'ai étudié le rôle de la molécule de guidage axonal Semaphorine 3a (Sema3A) dans le développement des axones des interneurones GABA du cervelet. Pour mener à bien cette étude, j'ai développé de nouvelles approches expérimentales in vitro et in vivo. En utilisant ces nouveaux outils, j'ai montré que la SEMA3A était capable d'attirer l'axone des interneurones GABA. In vitro, la SEMA3A induit une augmentation locale de la formation de branches axonales et l'apparition précoce d'un marqueur présynaptique (GAD65). Nous avons également montré que la combinaison d'expression de SEMA3A avec une molécule d'adhésion de la famille L1CAM dans les cellules hétérologues était capable d'induire l'innervation de cette cellule de manière spécifique par les interneurones GABA du cervelet. Cette étude nous a permis de montrer que la combinaison entre une molécule de guidage axonal et une molécule d'adhésion cellulaire spécifique était suffisante pour induire des mécanismes de reconnaissance cellulaire par les interneurones GABA du cervelet. / GABAergic interneurons are fundamental component in neural processing and their specific innervation patterns are though to be the building block for physiological brain function and computing. However the molecular and cellular mechanisms that assemble inhibitory local circuits remain largely unknown. In cerebellar cortex, molecular layer GABAergic interneurons are key regulators of cerebellar signal coding and memory formation by sending specifically their axons to innervate the Purkinje cells. Here, we show that a combination of both secreted axon guidance and recognition molecules of L1CAM family is sufficient to trigger target cell recognition by molecular layer GABAergic interneuron˙s in vivo. Using BAC transgenic reporter mice for cell-type specific gene-expression profiling of secreted SEMAPHORIN molecules, we identified that SEMAPHORIN3A (SEMA3A) expression picked precisely at relevant time-point of GABAergic local circuit formati on. In vitro, in a co-culture model, we found that semaphorin3A (SEMA3A) secreted by CHO cells attracts GABAergic interneurons axons and triggers their local specific branching. In vivo, the injection of these heterologous cells expressing SEMA3A ectopically in the granule cell layer is able to disrupt the « crystal »like organization of molecular GABAergic interneurons and attracts their axons in this ectopic territory. Moreover we found that both in vitro and in vivo, the co-expression of SEMA3A and the L1CAM family recognition molécules, Neurofascin, but not their respective expression alone, are able to induced heterologous cells innervation by molecular GABAergic interneurons. These results suggest that specific combination between axon guidance molecules and L1CAM family is sufficient to specify cell type recognition in a space and timely dependent manner.

Cette thèse présente un cadre formel pour l'interaction Homme-robot (HRI), qui reconnaître un important lexique de gestes statiques et dynamiques mesurés par des capteurs portatifs. Gestes statiques et dynamiques sont classés séparément grâce à un processus de segmentation. Les tests expérimentaux sur la base de données de gestes UC2017 ont montré une haute précision de classification. La classification pas à pas en ligne utilisant des données brutes est fait avec des réseaux de neurones profonds « Long-Short Term Memory » (LSTM) et à convolution (CNN), et sont plus performants que les modèles statiques entraînés avec des caractéristiques spécialement conçues, au détriment du temps d'entraînement et d'inférence. La classification en ligne des gestes permet une classification prédictive avec réussit. Le rejet des gestes hors vocabulaire est proposé par apprentissage semi-supervisé par un réseau de neurones du type « Auxiliary Conditional Generative Adversarial Networks ». Le réseau propose a atteint une haute précision de rejet de les gestes non entraînés de la base de données UC2018 DualMyo. / This thesis presents a human-robot interaction (HRI) framework to classify large vocabularies of static and dynamic hand gestures, captured with wearable sensors. Static and dynamic gestures are classified separately thanks to the segmentation process. Experimental tests on the UC2017 hand gesture dataset showed high accuracy. In online frame-by-frame classification using raw incomplete data, Long Short-Term Memory (LSTM) deep networks and Convolutional Neural Networks (CNN) performed better than static models with specially crafted features at the cost of training and inference time. Online classification of dynamic gestures allows successful predictive classification. The rejection of out-of-vocabulary gestures is proposed to be done through semi-supervised learning of a network in the Auxiliary Conditional Generative Adversarial Networks framework. The proposed network achieved a high accuracy on the rejection of untrained patterns of the UC2018 DualMyo dataset.

.

Ce travail de recherche explore les méthodes d’apprentissage profond de la parole et du langage, y inclus la reconnaissance et la synthèse de la parole, la conversion des graphèmes en phonèmes et vice-versa, les modèles génératifs, visant de reformuler des tâches spécifiques dans un problème plus général de trouver une représentation universelle d’information contenue dans chaque modalité et de transférer un signal d’une modalité à une autre en se servant de telles représentations universelles et à générer des représentations dans plusieurs modalités. Il est compris de deux projets de recherche: 1) SoundChoice, un modèle graphème-phonème tenant compte du contexte au niveau de la phrase qui réalise de bonnes performances et des améliorations remarquables comparativement à un modèle de base et 2) MAdmixture, une nouvelle approche pour apprendre des représentations multimodales dans un espace latent commun. / The present work explores the use of deep learning methods applied to a variety of areas in speech and language processing including speech recognition, grapheme-to-phoneme conversion, speech synthesis, generative models for speech and others to build toward a unified approach that reframes these individual tasks into a more general problem of finding a universal representation of information encoded in different modalities and being able to seamlessly transfer a signal from one modality to another by converting it to this universal representations and to generate samples in multiple modalities. It consists of two main research projects: 1) SoundChocice, a context-aware sentence level Grapheme-to-Phoneme model achieving solid performance on the task and a significant improvement on phoneme disambiguation over baseline models and 2) MAdmixture, a novel approach to learning a variety of speech representations in a common latent space.