Etude de l’activité électrique d’un modèle de neurone
Imprimer ce billet
Voici un papier Complex Parameter Landscape for a Complex Neuron Model dans lequel les auteurs (salut Pablo) étudient un modèle détaillé de la cellule de Purkinje à l’aide d’algorithmes évolutionnaires. L’activité électrique du neurone dépend, d’après le modèle, de 24 paramètres réels représentant la densité des différents types de canaux ioniques. Un algorithme de stratégie d’évolution optimise l’ensemble des paramètres de façon à obtenir des résultats proches des données.
Les auteurs démontrent que l’activité électrique d’un neurone peut être reproduite fidèlement par différentes familles de paramètres. L’optimisation ne conduit pas à une solution unique, loin s’en faut. Ces familles de paramètres représentent différents modèles qui ne sont pas nécessairement proches dans l’espace des paramètres. Ainsi, plusieurs familles de densités de canaux ioniques peuvent produire un même type d’activité. Pourtant une faible variation d’un seul des paramètres peut rendre le modèle totalement irréaliste, ce qui montre en partie la complexité du problème.
Ce papier montre la puissance des algorithmes évolutionnaires pour les problèmes complexes d’optimisation.
Côté technique, l’algorithme développé pour cette étude s’appuie sur une très bonne librairie d’algorithmes évolutionnaires écrite en C++ : la librairie EO (Evolving Objects) avec laquelle j’ai déjà travaillé pour résoudre des problèmes d’optimisation de tournées. Par contre, contrairement à Pablo, j’ai plutôt utilisé les algorithmes génétiques que les algorithmes de stratégie d’évolution.