Il est possible d’aborder l'organisation fonctionnelle du cerveau en modélisant le cerveau comme un système dynamique, ce qui permet d'étudier comment l'architecture fonctionnelle dépend du squelette structurel sous-jacent. En combinant approches expérimentales et théoriques chez la souris, nous avons étudié de façon systématique comment le connectome structurel contraint le connectome fonctionnel.Dans une première partie nous avons généralisé à la souris le logiciel open source The Virtual Brain (Sanz-Leon et al., 2013, Melozzi et al., 2017).En utilisant les données d'IRM de diffusion (IRMd) de 19 souris, nous avons virtualisé leur cerveau pour générer un signal BOLD in silico que nous avons comparé aux données d'IRM fonctionnelle enregistrées chez les mêmes souris pendant la veille passive. Nous montrons que les prédictions du modèle basé sur le connectome dépendent strictement de la structure du réseau (Melozzi et al., en révision). Nous démontrons que les variations individuelles définissent une empreinte structurelle spécifique ayant un impact direct sur l'organisation fonctionnelle des cerveaux individuels. Ces résultats démontrent l’existence d’un lien causal entre le connectome structurel et le connectome fonctionnel.Finalement, nous confirmons certaines de nos conclusions en utilisant l’approche inverse: nous avons étudié s’il était possible de déduire le connectome structurel à partir du connectome fonctionnel en utilisant la méthode d'inférence Bayésienne (Melozzi et al., en préparation).Nos résultats aux futures études testant la causalité entre structure et fonction, au niveau du cerveau entier individuel, en conditions physiologique et pathologique / The connectome-based model approach aims to understand the functional organization of the brain by modeling the brain as a dynamical system and then studying how the functional architecture rises from the underlying structural skeleton. In this thesis, taking advantage of mice studies, we investigated the informative content of different structural features in explaining the functional ones.First, we extended the open-source software TVB (Leon et al., 2013), originally designed for humans, to accommodate the connectome-based model approach in mice (Melozzi et al., 2017).Using diffusionMRI (dMRI) data from 19 mice, we virtualised their brains to generate in silico fMRI that we compared to functional MRI data recorded in the same mice during passive wakefulness. We show that the predictions of the connectome-based model strictly depend on the structure of the underlying network (Melozzi et al., under review). We demonstrate that individual variations define a specific structural fingerprint with a direct impact upon the functional organization of individual brains. Comparing the predictive power of the tracer-based and the dMRI-based connectome we identify how the limitations of the dMRI method restrict our comprehension of the structural-functional relation. Together, these results strongly support the existence of a causal link between the structural and the functional connectomes.Finally, we infer the connectome form resting state dynamics by inferring the structural connectome using the Bayesian inference (Melozzi et al., in prep).Our results pave the way to future studies focusing on the causal link between structure and function at the individual brain level.
| Identifer | oai:union.ndltd.org:theses.fr/2018AIXM0771 |
| Date | 18 December 2018 |
| Creators | Melozzi, Francesca |
| Contributors | Aix-Marseille, Bernard, Christophe, Jirsa, Victor |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0033 seconds