QLog (Quantized Log)

Etude de l’activité électrique d’un modèle de neurone

Classé dans : Neurosciences — Sebastiao Correia 9 septembre 2006 @ 1:07
Imprimer ce billet 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.

2 commentaires

  1. hou la la
    c’est un article qui me parait de la plus haute importance.
    je dirais meme plus :
    il dechire sa race !

    :-)

    Commentaire par pablo — 11 septembre 2006 @ 12:40

  2. Salut Pablo,
    T’as raison, l’article « déchire sa race », et ça m’a rappelé quand je faisais des algos génétiques. Mais pourquoi dis-tu dans ton papier que vous n’auriez pas pu traiter le problème avec les GA ? Besoin de trop de mémoire ou y a une raison plus structurelle liée au type d’optimisation ?
    En tout cas, j’ai été impressionné par le temps de calcul : 6 jours en version parallèle !

    Commentaire par Sebastiao Correia — 11 septembre 2006 @ 14:31

Flux RSS des commentaires de cet article.

Désolé, les commentaires sont fermés pour le moment.