Soutenance de thèse de BALDY Nina
Titre de thèse
Probabilistic inference of brain models across scales
Probabilistic inference of brain models across scales
Résumé de la thèse
En neurosciences computationnelles, les modèles biophysiques constituent un
socle essentiel pour formaliser la relation entre structure neuronale et dynamiques
fonctionnelles. Grâce à l'inversion de ces modèles, des données neurobiologiques
bruitées et partielles peuvent être interprétées pour estimer les paramètres biolo-
giques cachés qui les ont produites. Cependant, trouver un équilibre entre fidélité
biologique et faisabilité statistique reste un défi central : les modèles sont non linéaires,
leurs espaces d'états sont partiellement observés et leurs espaces de paramètres sont
dégénérés. Cette thèse aborde l'application systématique de l'inversion bayésienne à
toutes les échelles de la hiérarchie biologique de l'activité neuronale, développant et
évaluant des stratégies d'inférence adaptées au caractéristiques computationnelles
spécifiques de chaque niveau.
Je commence à la transition de l'échelle microscopique à l'échelle macroscopique,
tirant parti de la théorie du champ moyen et des architectures d'apprentissage pro-
fond pour reconstruire les dynamiques collectives de larges populations de neurones
à impulsions et leurs mécanismes génératifs sous-jacents, tout en évaluant l'opti-
misation déterministe face à l'inférence bayésienne. En m'intéressant au niveau des
circuits corticaux, j'aborde le problème de la dégénérescence des paramètres dans la
Modélisation causale dynamique (DCM). En repensant la DCM dans un contexte de
programmation probabiliste, j'établis une stratégie d'inférence robuste et je résous les
ambiguïtés des schémas d'inversion standard, permettant ainsi une analyse fiable des
interactions entre les couches de cellules pyramidales et les populations inhibitrices
lors de tâches cognitives, ainsi que la comparaison de modèle pour tester différentes
hypothèses. Mes recherches s'étendent ensuite à la modélisation du cerveau entier,
où les dynamiques régionales sont intégrées dans un réseau global soumis à des
contraintes de connectivité anatomique. Je transpose les cadres existants de jumeaux
cérébraux virtuels (VBT) dans un flux de travail clinique en introduisant un nouveau
pipeline pour les applications amorties qui permet de concilier l'intensité de calcul de
la modélisation personnalisée et les contraintes du monde réel liées à la confidentia-
lité des données et aux ressources cliniques limitées. Enfin, je construis des courbes
normatives sur toute la durée de vie pour la connectivité fonctionnelle statique et
dynamique à partir de sept cohortes, révélant un découplage fondamental entre les
trajectoires de vieillissement des deux mesures.
Thesis resume
In computational neuroscience, biophysical models provide an essential foundation
for formalizing the relationship between neural structure and functional dynamics.
Through the inversion of these models, noisy and partial neurobiological recordings
can be translated into estimates of the hidden biological parameters that generated
them. Yet balancing biological fidelity with statistical tractability remains a central
challenge: the models are nonlinear, their state spaces are partially observed, and
their parameter spaces are degenerate. This thesis tackles the systematic application
of Bayesian inversion across the scales of the biological hierarchy of neural activity, de-
veloping and benchmarking inference strategies suited to the specific computational
characteristic of each level.
I begin at the transition from micro- to macro-scopic scales, leveraging mean-field
theory and deep-learning architectures for recovering the collective dynamics of large
spiking neural populations and their underlying generative mechanisms, while bench-
marking deterministic optimization against Bayesian inference. Moving to the cortical
microcircuit level, I consider the problem of parameter degeneracy in Dynamic Causal
Modeling (DCM). By reframing DCM within a probabilistic programming framework, I
establish a robust inference strategy and address the ambiguities of standard inversion
schemes, thereby enabling the reliable analysis of interactions between pyramidal cell
layers and inhibitory populations during cognitive tasks, and model comparison for
hypothesis testing. My investigation then extends to whole-brain modeling, where
regional dynamics are integrated into a global network constrained by anatomical
connectivity. I translate existing Virtual Brain Twins (VBT) frameworks into a clinical
workflow by introducing a novel pipeline for amortized applications that bridges
the divide between the computational intensity of personalized modeling and the
real-world constraints of data privacy and limited clinical resources. Finally, I con-
struct lifespan normative charts for static and dynamic functional connectivity from
seven heterogeneous cohorts, revealing a fundamental decoupling between the aging
trajectories of the two measures.
Together, this work rigorously establishes reliable and computationally efficient
model inversion traversing the biological hierarchy, arguing that while the biolog-
ical scale changes, the Bayesian rationale remains the constant that endows these
models with the predictive power and uncertainty bounds necessary to navigate the
complexities of the human brain.