Soutenance de thèse Coumarane Tirou "Predict, Replay, and Change: identifying the neural mechanisms of statistical learning in humans"

J’ai le plaisir de vous convier à ma soutenance de thèse intitulée « Predict, Replay, and Change: identifying the neural mechanisms of statistical learning in humans ». Vous trouverez abstract et résumé en PJ. 

Elle se déroulera en français (diaporama en anglais) le vendredi 26 juin à 14h00 dans l'amphithéâtre du bâtiment 462 Neurocampus Michel Jouvet (95 Boulevard Pinel, 69500 Bron).

Le jury sera composé de :

• Pr. Nina Kazanina : Rapporteure (PR, Univ. Genève)
• Pr. Philippe Albouy : Rapporteur (PA, CR, Univ. Laval)
• Dr. Fosca Al Roumi : Examinatrice (IR, CEA)
• Pr. Matteo di Volo : Examinateur (PR, Univ. Lyon 1)
• Dr. Jean-Rémi King : Invité (CR, CNRS, Meta)
• Dr. Romain Quentin : Directeur de thèse (CR, Inserm)
• Pr. Dezso Németh : Co-directeur de thèse (PR, CR, Inserm)

La soutenance sera précédée d’un workshop « Memory and learning in humans » le matin de 10h à 12h. 

• 10h00 : « The neurobiology of symbols (and structures in which they participate) », Nina Kazanina, Professeure à l’Université de Genève (Suisse)
• 10h40 : “How do humans compress information in memory? The language of Thought hypothesis”, Fosca Al Roumi, Ingénieure de Recherche au CEA Paris-Saclay
• 11h20 : “Cross-frequency coupling as a signature of memory functions in humans”, Philippe Albouy, Professeur associé à l’Université Laval – Québec (Canada)

Pour celles et ceux qui ne pourront pas être sur place, la soutenance sera retransmise en visioconférence. Le lien sera communiqué le jour de la soutenance.

La soutenance sera suivie d’un pot à la cafétéria du Neurocampus auquel vous êtes toutes et tous convié.e.s !

Au plaisir de vous y retrouver,

Coumarane Tirou

Résumé
L'apprentissage est la remarquable capacité par laquelle le cerveau nous permet de nous adapter à un environnement en perpétuelle évolution. Le cerveau des mammifères en constitue l'architecture la plus efficace identifiée à ce jour. Une aptitude clé est l'apprentissage statistique, soit la capacité à extraire des régularités sensorielles structurées d'un environnement bruité. Ce processus est fondamental pour la cognition, mais la manière dont le cerveau apprend des
régularités complexes de son environnement reste mal comprise. Trois mécanismes candidats sont suggérés : le codage prédictif, le replay neuronal et le changement représentationnel.
Le codage prédictif postule que le cerveau anticipe continuellement le future grâce à son modèle interne du monde. Le replay neuronal correspond à une réactivation neuronale spontanée et temporellement compressée d'expériences récentes durant le repos et le sommeil. Le changement représentationnel désigne l'augmentation progressive en similarité des patterns cérébraux entre stimuli associée au fil de l'apprentissage. Ces trois mécanismes ont été étudiés
indépendamment, mais des travaux récents suggèrent qu'ils pourraient interagir. Leur articulation durant l'apprentissage statistique reste une question ouverte que cette thèse cherche à élucider. J'ai pour cela combiné analyses multivariées (MVPA) et enregistrements en magnétoencéphalographie (MEG) et stéréo-électroencéphalographie (sEEG) chez des participants réalisant des tâches visuo-motrices d'apprentissage statistique. La thèse rassemble quatre études visant à caractériser ces mécanismes, leur dynamique temporelle et leur organisation spatiale.
La première étude examine l'activité prédictive et le changement représentationnel en MEG, dans un paradigme d’apprentissage statistique mêlant information et bruit. Nous montrons que l'apprentissage statistique repose sur deux mécanismes temporellement dissociables. L'activité prédictive émerge rapidement, avec des patterns spécifiques au stimulus apparaissant avant celui-ci et précédant des gains comportementaux. Elle est suivie d'une montée plus lente du changement représentationnel entre éléments non adjacents mais statistiquement dépendants. Ces deux processus reposent sur les réseaux sensorimoteur et attentionnel dorsal.
La deuxième étude porte sur le replay neuronal en MEG durant de courtes périodes de repos intercalées dans une tâche visuo-motrice. À l'aide d'une matrice de transition probabiliste, nous avons sondé l'apprentissage de probabilités de transitions variable et cherché à déterminer si cet apprentissage a lieu durant la pratique ou le repos (consolidation micro-offline). Nos résultats préliminaires montrent que les paires faiblement associées bénéficient le plus du repos,
sans qu'un replay neuronal pendant les pauses ait pu être mis en évidence.
La troisième étude vise à identifier le replay sur l'ensemble de la nuit à partir d'enregistrements sEEG chez des patients épileptiques pharmacorésistants. Les résultats préliminaires révèlent des performances comportementales et un décodage MVPA prometteurs.
La quatrième étude est une ré-analyse d'un jeu de données MEG en accès libre portant sur le codage prédictif. Nous y identifions un biais analytique conduisant à une évaluation erronée de l'activité prédictive et concluons à l'absence de preuve de perception prédictive anticipatoire dans l’étude originelle.
Ensemble, nos résultats suggèrent que l'activité prédictive et les changements représentationnels contribuent tous deux à l'apprentissage des régularités, révélant une hiérarchie temporelle dans laquelle l'activité prédictive précède les gains comportementaux et s’accompagne plus tardivement par des changements représentationnels. La place du replay neuronal dans cette hiérarchie reste à éclaircir.

Mots-clés
Apprentissage statistique ; MEG ; Replay ; Prédiction ; Représentations ; Analyses multivariées