Méthodes mathématiques pour les neurosciences
Mathematical Methods for Neurosciences
ENS - Master MVA (2009-2010)
Olivier Faugeras
Gregory Faye, Mathieu Galtier, Geoffroy HermannVoir les supports de cours (Slides, TD)
See the slides and problems
Articles à lire pour le contrôle des connaissances.
Presentation du cours
Nous présentons dans ce cours quelques outils mathématiques qui interviennent de manière systématique dans de nombreux problèmes de modélisation en neurosciences. Les prérequis sont une bonne connaissance du calcul différentiel et du calcul des probabilités dans le cadre de la théorie de la mesure. Sans trahir la rigueur mathématique, le cours s'efforcera de mettre en valeur l'applicabilité aux neurosciences des concepts présentés. Le cours sera complété par des séances d'exercices.
We present a number of mathematical tools that are central to modeling in neuroscience. The prerequisites to the course are a good knowledge of differential calculus and probability theory from the viewpoint of measure theory. The thrust of the lectures is to show the applicability to neuroscience of the mathematical concepts without giving up mathematical rigor. The concepts presented in the lectures will be illustrated by exercise sessions.
- Electrophysiologie des neurones : modèles à
conductances et leurs réductions, modèles intègre
et tire.
Electrophysiology of neurons: conductance models and their reductions, integrate and fire models. - Introduction aux systèmes dynamiques : orbites et
portraits de phases, variétés invariantes,
équivalence de systèmes dynamiques, classification
topologique des équilibres, bifurcations et leurs formes
normales topologiques, stabilité structurelle.
Introduction to dynamic systems: orbits and phase portraits, invariant manifolds, equivalence of dynamic systems, topological classification of equilibria, bifurcations and their topological normal forms, structural stability. - Bifurcations : déploiement universel et codimension, le
pli, la bifurcation de Hopf, la bifurcation pli d'un cycle limite, la
bifurcation de Bogdanov-Takens, la bifurcation de Bautin, la fronce.
Bifurcations: universal unfolding and codimension, the fold, Andronov-Hopf bifurcation, fold bifurcation of limit cycles, Bogdanov-Takens bifurcation, the Bautin bifurcation, the cusp. - Application à l'excitabilité neuronale : neurones
de classes 1, 2 et 3, neurones intégrateurs et neurones
résonateurs, modulation lente.
Application to neuronal excitability: classes1, 2 and 3 of neurons, integrators versus resonators, slow modulation. - Le bruit blanc et le mouvement brownien : construction du
mouvement brownien, régularité des trajectoires,
propriété de Markov. Application à la
modélisation du bruit synaptique.
White noise and Brownian motion: construction of the Brownian motion, regularity of the trajectories, Markov property. Application to synaptic noise modeling. - Intégrale stochastique : l'intégrale d'Itô,
la formule d'Itô.
The stochastic integral: Itô integral, Itô's formula. - Equations différentielles stochastiques :
définitions, existence et unicité de la solution,
équations linéaires. Application aux modèles de
neurones intègre et tire.
Stochastic differential equations: definitions, existence and uniqueness of the solution, linear equations. Application to integrate and fire models. - Compléments : temps d'arrêts et formules de
Feynman-Kac, équation de Fokker-Planck. Application à la
description de l'évolution du potentiel de membrane neuronal et
des statistiques de trains d'impulsions nerveuses.
Complements: stopping times and Feynman-Kac formulae, Fokker-Planck equation. Application to the time evolution of the membrane potential and the statisctics of spike trains.
A few references:
- Wulfram Gerstner et W. Kistler, Spiking neuron models, Cambridge University Press, 2002.
- Yuri A. Kuznetsov, Elements of applied bifurcation theory.
- Eugène Izhikevich, Dynamical systems in neuroscience: the geometry of excitability and bursting, MIT Press, 2006.
- Jean-Pierre Françoise, Oscillations en biologie, Springer, 2000.
- Lawrence C. Evans, An introduction to stochastic differential equations, http://math.berkeley.edu/~evans/SDE.course.pdf
- Jean-François Le Gall, Mouvement brownien et calcul stochastique, http://www.dma.ens.fr/~legall/DEA96.pdf
Date et lieu
des cours et des TPs :
When and where:
Les cours et les
TPs ont lieu à l'Ecole Normale Supérieure, 45 rue
d'Ulm, Paris Vème, salle W.
Lectures and
problem sessions will be given at Ecole Normale Supérieure, 45
rue d'Ulm, Paris Vème, salle W.
14/10 cours 13h30-16h30, TP 16h45-18h45
21/10 cours 13h30-16h30, TP 16h45-18h45
28/10 cours 13h30-16h30, TP 16h45-18h45
4/11 cours 13h30-16h30, TP
16h45-18h45
18/11 cours 13h30-16h30, TP 16h45-18h45
25/11 cours 13h30-16h30, TP 16h45-18h45
2/12 cours 13h30-16h30, TP 16h45-18h45
9/12 cours 13h30-16h30, TP
16h45-18h45
Leçon 1 : Activité électrique des
neurones
Electrical activity of neurons
Equations
différentielles ordinaires
Ordinary differential equations
TD1
and answers to
TD1
Problems session 1
Leçon 2
: Introduction
aux systèmes dynamiques
Introduction to dynamical systems
Equivalence
topologique, bifurcations
Topological equivalence, bifurcations
Leçon 3
:
Bifurcations
d'équilibres continus
Bifurcations
d'équilibres discrets
Théorèmes de la variété
centrale
Bifurcations de
codimension 2
Leçon 4
:
Excitabilité neuronale
Leçon 5
:
Rappels de probabilités
Mouvement brownien
Leçon 6
:
Intégrale
stochastique, formule d'Itô
TD6 et corrigé pages 1, 2,
3 et 4
Leçon 7
:
Equations
différentielles stochastiques
TD7 et corrigé
Lecon 8
:
Temps d'arrêt et formules de
Feynman-Kac
Applications du
calcul stochastique à la modélisation de neurones
Examen
2007 et corrigé
Examen 2008 et corrigé
Examen 2009 corrigé