A Deep Learning Method for Fast Generation of Degenerate High-Dimensional Conductance-Based Populations from Neuronal Spike Times

Abstract

Motivation and Objectives :

Understanding the human brain complexity is a central goal in neuroscience. A key concept is neuronal degeneracy — the ability of structurally or functionally distinct neural configurations (e.g., ion channel densities) to produce similar outputs. Ion channels are transmembrane proteins that regulate the flow of specific ions across the neuron membrane, directly influencing electrical activity. While degeneracy contributes to robustness and adaptability, it complicates efforts to infer specific biophysical parameters from observed activity.

Conductance-based models (CBMs) are widely used due to their biological interpretability. In this context, conductance refers to how easily ions flow through a given ion channel, determining the strength of the resulting electrical current. However, determining the maximal conductance values that reproduce experimental data is challenging and often relies on trial-and-error. Furthermore, degeneracy means multiple parameter sets can yield similar behaviors, limiting interpretability and practical use by experimentalists.

This thesis addresses these challenges with a novel pipeline that combines the Dynamic Input Conductances (DICs) theory with deep learning. The objective is to generate degenerate CBM populations that replicate target neuronal activity — defined through spike times — directly from experimental recordings. This approach strengthens the connection between the experimental world and the modeling one, enabling systematic studies of degeneracy.

Key Contributions :

- Deep Learning Pipeline: A supervised model is trained to map spike time sequences to DIC values, which guide the generation of degenerate CBMs. Validated on synthetic data from two neuron types: the stomatogastric ganglion and the dopaminergic neuron.

- Iterative Compensation Algorithm: An improved method for generating degenerate CBM populations by precisely targeting DIC values at threshold voltage with minimal computational cost.

- Reachability Analysis in DIC Space: A theoretical contribution identifying which DIC regions correspond to biologically plausible CBMs (i.e., those with positive conductances), providing a heuristic for conductance selection and insight into how ion channel variations affect activity.

- Open-Source Software Tool}: A user-friendly application that allows experimentalists to generate and validate CBM populations without needing expertise in programming or machine learning. It supports multiple CBMs and includes a graphical interface.

Results :

The results are very satisfactory with a tool that demonstrates robustness to noise, generated populations that faithfully reproduce the target activity, and validation on two different CBMs, thus highlighting the generalizability of the method. The developed application truly aims to integrate the method into a laboratory context and can be executed quickly on any personal computer.

The perspectives touch on both biology, computational neuroscience, and neuromorphic systems.

Motivation et objectifs:

Comprendre la complexité du cerveau humain est un objectif central en neurosciences. Un concept clé est la \emph{dégénérescence neuronale} — la capacité de configurations neuronales distinctes (par exemple, les densités de canaux ioniques) à produire des sorties similaires. Les canaux ioniques sont des protéines transmembranaires qui régulent le flux d’ions à travers la membrane neuronale, influençant directement l’activité électrique. Bien que la dégénérescence contribue à la robustesse et à l’adaptabilité, elle complique l’inférence des paramètres biophysiques à partir des observations expérimentales.

Les modèles à base de conductances (CBMs) sont largement utilisés pour leur interprétabilité biologique. La conductance reflète la facilité avec laquelle les ions traversent un canal ionique donné, déterminant l’intensité du courant électrique résultant. Toutefois, déterminer les valeurs de conductance maximales qui reproduisent les données expérimentales est difficile et repose souvent sur des essais-erreurs. De plus, la dégénérescence implique que plusieurs ensembles de paramètres peuvent conduire à des comportements similaires, ce qui limite l’interprétation.

Ce mémoire propose une nouvelle approche combinant la théorie des "Dynamic Input Conductances" (DICs) avec l’apprentissage profond ("deep learning"). L’objectif est de générer des populations dégénérées de CBM qui reproduisent une activité neuronale cible — définie par les temps de spike — directement à partir d’enregistrements expérimentaux. Cette approche renforce le lien entre les données expérimentales et la modélisation, et permet l’étude systématique de la dégénérescence.

Contributions principales :

- Pipeline d’apprentissage profond : un modèle supervisé entraîné pour associer les séquences de temps de spike aux valeurs DIC, guidant ainsi la génération de CBM dégénérés. Validé sur des données synthétiques issues de deux types de neurones : le ganglion stomatogastrique et le neurone dopaminergique.

- Algorithme de compensation itératif : une méthode améliorée pour générer des populations de CBM dégénérés en ciblant précisément les valeurs DIC au seuil de voltage avec un coût de calcul minimal.

- Analyse de l’accessibilité dans l’espace DIC : une contribution théorique identifiant les régions DIC qui correspondent à des CBM biologiquement plausibles (i.e., avec des conductances positives), fournissant un critère pour la sélection des conductances.

- Outil logiciel open-source : une application \textit{user-friendly} permettant aux expérimentateurs de générer et valider des populations de CBM sans expertise en programmation ou en apprentissage machine. Elle prend en charge plusieurs CBMs et inclut une interface graphique.

Résultats :

Les résultats sont très satisfaisants avec un outil robuste au bruit, des populations générées qui reproduisent fidèlement l’activité cible, et une validation sur deux CBM différents, soulignant ainsi la généricité de la méthode. L’application développée vise une intégration concrète en contexte de laboratoire et peut être exécutée rapidement sur un ordinateur personnel.

Les perspectives s'étendent à la biologie, aux neurosciences computationnelles et aux systèmes neuromorphiques.