Faculté informatique et communications IC, Programme doctoral Neurosciences et Biologie du développement, Institut des systèmes informatiques et multimédias ISIM (Laboratoire de calcul neuromimétique LCN1)

Theory of non-linear spike-time-dependent plasticity

Pfister, Jean-Pascal ; Gerstner, Wulfram (Dir.)

Thèse sciences Ecole polytechnique fédérale de Lausanne EPFL : 2006 ; no 3577.

Ajouter à la liste personnelle
    Summary
    A fascinating property of the brain is its ability to continuously evolve and adapt to a constantly changing environment. This ability to change over time, called plasticity, is mainly implemented at the level of the connections between neurons (i.e. the synapses). So if we want to understand the ability of the brain to evolve and to store new memories, it is necessary to study the rules that govern synaptic plasticity. Among the large variety of factors which influence synaptic plasticity, we focus our study on the dependence upon the precise timing of the pre- and postsynaptic spikes. This form of plasticity, called Spike-Timing-Dependent Plasticity (STDP), works as follows: if a presynaptic spike is elicited before a postsynaptic one, the synapse is up-regulated (or potentiated) whereas if the opposite occurs, the synapse is down-regulated (or depressed). In this thesis, we propose several models of STDP which address the two following questions: (1) what is the functional role of a synapse which elicits STDP and (2) what is the most compact and accurate description of STDP? In the first two papers contained in this thesis, we show that in a supervised scenario, the best learning rule which enhances the precision of the postsynaptic spikes is consistent with STDP. In the three following papers, we show that the information transmission between the input and output spike trains is maximized if synaptic plasticity is governed by a rule similar to STDP. Moreover, we show that this infomax principle added to an homeostatic constraint leads to the well-known Bienenstock-Cooper-Munro (BCM) learning rule. Finally, in the last two papers, we propose a phenomenological model of STDP which considers not only pairs of pre- and postsynaptic spikes, but also triplets of spikes (e.g. 1 pre and 2 post or 1 post and 2 pre). This model can reproduce of lot of experimental results and can be mapped to the BCM learning rule.
    Résumé
    Une propriété fascinante du cerveau est sa capacité d'évoluer et de s'adapter continuellement à un environnement qui change constamment. Cette capacité de se modifier au cours du temps, appelée plasticité est principalement implémentée au niveau des connections entre les neurones (les synapses). Donc, si nous désirons comprendre la capacité du cerveau à changer et mémoriser de nouveaux éléments, il est nécessaire d'étudier les règles qui gouvernent la plasticité synaptique. Parmi la grande variété de facteurs qui influencent la plasticité synaptique, nous focalisons notre étude sur la dépendance du temps de tir des potentiels d'action pre- et postsynaptiques. Cette forme de plasticité, appelée plasticité synaptique à modulation temporelle relative (STDP ou Spike-Timing-Dependent Plasticity) fonctionne de la façon suivante: si un potentiel d'action presynaptique a lieu avant un potentiel d'action postsynaptique, la synapse est renforcée (ou potentialisée); si au contraire, l'ordre des potentiels d'action est inversé, la synapse est affaiblie (ou déprimée). Dans cette thèse, nous proposons plusieurs modèles de la STDP qui adressent les deux questions suivantes: (1) quel est le rôle fonctionnel d'une synapse suivant une règle STDP et (2) quelle est la description la plus compacte et la plus précise de la STDP? Dans les deux premiers papiers contenus dans cette thèse, nous montrons que dans un contexte supervisé, la meilleure règle d'apprentissage qui augmente la précision des potentiels d'action postsynaptiques est cohérante avec la STDP. Dans les trois papiers qui suivent, nous montrons que la transmission d'information entre les trains de potentiels d'action d'entrée et de sortie est maximisée si la plasticité synaptique est gouvernée par une règle similaire à la STDP. De plus, nous montrons que ce principe infomax ajouté à une contrainte homéostatique conduit à la règle d'apprentissage appelée Bienenstock-Cooper-Munro (BCM). Finalement, dans les deux derniers papiers, nous proposons un modèle phénoménologique de la STDP qui considère non seulement des paires de potentiels d'action pre- et postsynaptiques, mais aussi des triplets de potentiels d'action (1 pre et 2 post ou 1 post et 2 pre). Ce modèle peut reproduire beaucoup de résultats expérimentaux et peut être relié à la règle d'apprentissage BCM.