mercredi 4 mars 2015

potentiel membranaire

Extrait

Partant d’un souhait initial de mieux comprendre le fonctionnement du cerveau, les réseaux de neurones artificiels sont une classe de modèles ayant eu un impact important sur le domaine du traitement et de l’analyse des données, l’inspiration biologique initiale n’ayant pas toujours été conservée dans les réalisations ultérieures. Les premiers modèles, fondés sur le neurone de Mc Culloch et Pitts, étaient fondés sur des sorties digitale et synchrones (neurones binaires). 

La seconde génération de modèles a défini des sorties analogiques et toujours synchrones, permettant des tâches plus complexes de régression et de classification probabiliste, comme illustré par le célèbre perceptron multi-couches. Nous voyons actuellement naître (ou renaître car là aussi les travaux fondateurs sont anciens) ce qui pourrait être la troisième génération de modèles (Maass, 1997), avec des neurones impulsionnels où le temps devient un élément explicite du modèle et l’activité est digitale et asynchrone. Nous décrivons les caractéristiques de ces modèles et leur intérêt potentiel.

1. Le neurone 

A l’origine de cette famille de modèles, se trouve le souhait de décrire finement le fonctionnement du neurone, vu comme cellule élémentaire de traitement de l’information et de calcul dans le système nerveux. Il est classique, dans toute description fonctionnelle du neurone, de le décomposer en quatre modules, les dendrites qui recueillent l’activité des neurones afférents, le corps cellulaire qui intègre cette activité, l’axone qui transmet l’excitation éventuelle du neurone et les synapses qui assurent les connexions entre neurones par des mécanismes chimiques reposant sur l’envoi et la réception de neurotransmetteurs. Ici, il va s’agir de décrire finement le fonctionnement électrique du neurone en insistant sur quelques caractéristiques particulières. 


Au premier plan se trouve la différence de potentiel qui existe entre l’intérieur et l’extérieur du neurone, régulée par des canaux ioniques situés sur la membrane du neurone, qui déterminent des différences de concentration en certaines espèces ioniques de chaque coté de cette membrane. Lorsque le neurone est au repos, la différence de potentiel est de –70mV à l’intérieur de la cellule. 

Lorsque le neurone est soumis à des excitations, ce potentiel membranaire va évoluer progressivement (de façon relativement linéaire par rapport à cette excitation), jusqu’à un seuil au-delà duquel on va observer une variation soudaine et importante de ce potentiel. Cette phase de comportement non-linéaire va se traduire par une excitation du neurone qui va devenir actif et transmettre un potentiel d’action le long de son axone à destination des neurones efférents. 

Ce potentiel d’action ou spike est de courte durée (1ms) et de forme et d’amplitude invariable, même au cours de sa transmission le long de l’axone. Juste après cette émission, le potentiel retombe sous le niveau de repos (hyper-polarisation) et après une phase réfractaire où le neurone n’est plus excitable, il rejoint son niveau de repos et peut reprendre le cycle. 

C’est l’arrivée d’un potentiel d’action dans les terminaisons axonales qui est à l’origine de la libération de neurotransmetteurs dans la fente synaptique, qui seront recueillis par le neurone postsynaptique et produiront un potentiel post-synaptique (PSP) au niveau de la membrane dendritique post-synaptique. 

La nature inhibitrice ou excitatrice de la synapse permettra de distinguer entre potentiel post-synaptique inhibiteur ou excitateur (IPSP ou EPSP). Ce type de potentiel est de faible amplitude, relativement étendu dans le temps et retardé par rapport au temps de réception du spike.


2. Modèles de neurones impulsionnels 

C’est l’ensemble de ces phénomènes électriques et leurs propriétés associées que l’on essaye de capturer dans les modèles de neurones impulsionnels, vus comme des systèmes dynamiques dont la variable d’état principal est le potentiel membranaire (V).


( source : hal.archives-ouvertes )

Aucun commentaire: