Neurophysiologie, Neocortex, Biophysique, Analyse de données, Hétérogénéité, Modèles du cerveau

L'hétérogénéité des propriétés biophysiques neuronales est considérée comme jouant un rôle crucial dans les propriétés des réseaux neuronaux. Cependant, la description et la quantification précises de l'hétérogénéité des propriétés neuronales restent à établir. Le nombre croissant de bases de données contenant des données électrophysiologiques intracellulaires accessibles publiquement est une opportunité pour caractériser cette hétérogénéité. Nous avons donc conçu un pipeline de traitement des données, indépendant de la structure des bases de données, visant à surmonter les différences dans l'organisation des bases de données, à compenser les disparités entre les laboratoires dans le recueil de données, et à proposer des méthodes de caractérisation des propriétés neuronales suffisamment polyvalentes et robustes pour prendre en compte leur diversité intrinsèque. Nous avons utilisé ce pipeline pour regrouper plusieurs bases de données d'enregistrements électrophysiologiques et caractériser l'hétérogénéité des propriétés biophysiques en fonction de différents facteurs (par exemple : type cellulaire, couche corticale, aire corticale, animal...), tout en limitant la variance due aux différences liées aux protocoles d'acquisition propres à chaque base de données. Cette analyse transversale de l'hétérogénéité neuronale représente une étape cruciale vers l'établissement de modèles de réseaux neuronaux contraints par des données biophysiques. En effet, l'hétérogénéité est connue pour représenter un aspect fondamental des réseaux neuronaux, mais elle a principalement été étudiée en utilisant une variance théorique (c'est-à-dire en augmentant la variance autour de la moyenne pour certaines propriétés). Par conséquent, reproduire précisément l'hétérogénéité électrophysiologique au niveau neuronal dans un modèle de réseau peut fournir des informations importantes sur les mécanismes d'interaction multi-échelles soutenant l'émergence de propriétés dynamiques plus complexes des réseaux. L'approche globale de ce travail est en grande partie guidée par les principes de l'Open Science, avec un objectif conceptuel d'exploiter largement les résultats issus de la communauté neuroscientifique, et un objectif pratique de fournir des outils logiciels facilement applicables à cette communauté. Ainsi, cette thèse discute de l'état évolutif de l'Open Science, en mettant en lumière les divers efforts pour établir des outils et des cadres communs afin de faciliter une meilleure collaboration entre neuroscientifiques.