Soutenance de thèse de RUNFOLA Claudio
Titre de thèse
Émergence d'architectures de faible dimension dans la dynamique cérébrale : une étude théorique et computationnelle
Emergence of low-dimensional architectures in brain dynamics: a theoretical and computational study
Résumé de la thèse
Dans l'immense mer des degrés de liberté caractérisant l'activité neuronale, com-
prendre comment la structure et l'organisation du cerveau orchestrent l'émergence
de la fonction cérébrale pose un défi significatif. Cette thèse examine et propose des
mécanismes expliquant comment les dynamiques neuronales de haute dimension
se traduisent en motifs comportementaux plus simples, explorant des méthodes
novatrices pour les extraire. Ici, la fonction est conceptualisée comme des motifs
cohésifs d'activité neuronale définissant des espaces représentationnels ou variétés
et les trajectoires sur ces espace sous-tendent l'émergence du comportement. Cette
perspective motive l'utilisation de la théorie des systèmes dynamiques et de l'analyse
de variétés comme outils essentiels pour étudier les phénomènes comportementaux.
Dans une première tentative, nous démontrons comment la théorie des systèmes dy-
namiques, en particulier les théories de la variété centrale et des bifurcations, permet
la prédiction et l'extraction de caractéristiques spatio-temporelles de basse dimension
près des transitions critiques entre les états cérébraux. Notamment, la méthodologie
des Dynamical Network Biomarkers (DNB) est appliquée aux enregistrements SEEG
ictaux en épilepsie, après validation par des simulations, pour dévoiler le début des
crises et les zones épileptogènes, mettant en évidence son application clinique pro-
metteuse. En outre, nous proposons une perspective théorique basée sur la théorie
de la moyenne et la séparation des échelles de temps. Ce cadre suggère que des ar-
chitectures de basse dimension stables peuvent émerger dans des conditions plus
normales, en l'absence de transitions critiques. Dans le contexte des Structured Flows
on Manifolds (SFMs), l'étude illustre comment les dynamiques cérébrales de haute
dimension peuvent s'effondrer sur des variétés de plus basse dimension qui repré-
sentent efficacement les états comportementaux, grâce à une analyse synthétique sur
des modèles de réseau cérébral. Nos résultats révèlent la convergence des oscillations
neuronales rapides à travers des échelles de temps variables, et démontrent comment
les modes neuronaux représentant le comportement peuvent se répartir à travers
les réseaux. Enfin, nous présentons une approche novatrice, basée sur l'analyse de
variétés, appliquée dans une étude comparative de la complexité à travers différentes
tâches cognitives. Cette méthode permet la comparaison des trajectoires du système
à l'intérieur des variétés neuronaux, quantifiant la complexité des dynamiques céré-
brales et fournissant une analyse nuancée des exigences cognitives entre des tâches
telles que l'écoute de discours et de musique et l'état de repos. D'autres explorations
des caractéristiques de basse dimension issues d'autres cadres, tels que la criticité et
les avalanches neuronales, sont présentées, fournissant une perspective plus large sur
le thème de l'émergence dans les dynamiques cérébrales.
Thesis resume
In the vast sea of degrees of freedom characterizing neural activity, understanding
how brain structure and organization orchestrate the emergence of function poses a
significant challenge. This dissertation examines and proposes mechanisms explain-
ing how high-dimensional neural dynamics translate into simpler, low-dimensional
behavioral patterns, exploring novel methods to extract brain dynamical architectures.
Here, function is conceptualized as cohesive patterns of neural population activity that
define representational spaces called neural manifolds. Movements within and transi-
tions between different manifolds are described by dynamical features like trajectories
and attractors and cause the emergence of behavior. This perspective supports the use
of dynamical systems theory, in particular self-organization frameworks, and Neural
Manifold Learning (NML) techniques as essential tools for defining and analyzing
behavioral phenomena.
In a first attempt, we demonstrate how dynamical systems theory, especially cen-
ter manifold and bifurcation theories, enable the prediction and extraction of low-
dimensional spatio-temporal features near critical transitions between brain states.
This allows us to identify regions leading transitions and determine onset times for
shifts in brain states. Notably, the dynamical network biomarkers (DNB) methodology
is applied to ictal SEEG recordings in epilepsy, after validation through simulations
with the Epileptor model. This approach has the potential to unravel seizure onset
and delineate epileptogenic zones, highlighting its promising clinical application.
Furthermore, we propose a theoretical perspective based on averaging theory and
time-scale separation. This framework suggests that stable low-dimensional archi-
tectures may emerge under more normal conditions, even in the absence of critical
transitions. In the context of Structured Flow on Manifolds (SFMs), the study illus-
trates how high-dimensional brain dynamics can collapse onto lower-dimensional
manifolds that effectively represent behavioral states. This is achieved through syn-
thetic analysis on realistic large-scale brain network models. Our findings reveal the
convergence of fast neuronal oscillations across varying time scales, and demonstrate
how neural modes representing behavior can distribute across networks.
Lastly, we present a novel approach, based on NML, applied in a comparative study
of complexity across different cognitive tasks, the Manifold Density Flow (MDF). This
method allows for the comparison of system trajectories within neural manifolds,
quantifying the complexity of brain dynamics and providing a nuanced analysis of
cognitive demands between tasks such as naturalistic speech, music listening, and
resting state. Further explorations of low-dimensional features arising from other
frameworks, such as criticality and neuronal avalanches, are presented, providing a
broader perspective on the topic of emergence within brain dynamics.