SYMouse

Axe Vivant

Mathématiques
∩ Neurosciences

Aperçu

Développer de nouveaux outils d’analyse du comportement de rongeurs pour étudier l’évolution des maladies neurodégénératives.

Mots clefs

Séries temporelles, détection de ruptures, symbolisation, traitement des signaux physiologiques, neurosciences, étude du comportement animal, maladies neurodégénératives.

Coordination

• Laurent Oudre (Mathématiques, Centre Borelli, UMR 9010, Université Paris-Saclay, Université Paris Cité, ENS Paris-Saclay, CNRS, SSA, INSERM)
• Lucile Ben Haim (Biologie, Institut des Neurosciences Paris-Saclay, UMR 9197, CNRS, Université Paris-Saclay)

Financement

• 598 359 € sur 48 mois (Projet scientifique lauréat de l’appel à projets 2024)

Résumé

Le projet scientifique SYMouse vise à étudier les maladies neurodégénératives (MD) comme les maladies d’Alzheimer et de Parkinson grâce à des outils mathématiques d’analyse de signaux (vidéos etaccélérométriques).

Afin de mieux comprendre l’étiologie et les mécanismes d’évolution de ces pathologies, de nombreuses équipes de neuroscientifiques travaillent sur des modèles animaux, reproduisant les caractéristiques des pathologies humaines. Ces modèles développent des symptômes comportementaux en lien avec la pathologie modélisée (troubles cognitifs ou moteurs) pouvant être détectés avec des tests standardisés. Or ces tests ne permettent pas une caractérisation exhaustive et non supervisée de l’ensemble des symptômes comportementaux induits dans les modèles de MD.

De nouvelles techniques d’analyse vidéo ou de mesures inertielles permettent désormais d’étudier le comportement de rongeurs en continu durant de grandes périodes de temps. Bien qu’il existe des algorithmes de vision par ordinateur et d’intelligence artificielle permettant d’analyser automatiquement des données, ils souffrent de divers problèmes liés notamment à l’incapacité de ces modèles à incorporer de l’expertise biologique permettant d’identifier des types de comportements pertinents. Ces problèmes, dans la pratique, limitent énormément leur applicabilité et acceptabilité par la communauté scientifique.

Le but de ce projet est de proposer de nouveaux outils mathématiques basés sur l’analyse de séries temporelles pour analyser ces données de comportement de façon automatisée, interprétable, et en accord avec l’expertise biologique. Pour ce faire, ce projet propose de développer de nouveaux algorithmes de détection de ruptures permettant d’injecter des contraintes et a priori issus de la connaissance de la maladie étudiée afin d’augmenter la robustesse et la pertinence de l’analyse effectuée. L’autre volet concerne la création de méthodes de symbolisation pour les séries temporelles multimodales, afin de transformer le flux de données en une séquence d’atomes de comportement, interprétables par des biologistes et reflétant à la fois des aspects liés à la vidéo et aux mesures inertielles. Le troisième volet est lié au développement de nouveaux biomarqueurs basés sur ces représentations symboliques reflétant l’apparition de certains motifs de comportement typiques, et permettant la comparaison d’enregistrements pour le suivi longitudinal, la comparaison de cohortes ou encore l’évaluation d’un protocole thérapeutique.

Ces biomarqueurs innovants seront validés dans deux études distinctes utilisant des modèles murin des maladies d’Alzheimer et de Parkinson. Enfin, l’ensemble des outils développés dans ce projet seront compilés et intégrés dans une librairie logicielle open-source, permettant une diffusion de ces algorithmes innovants à toute la communauté scientifique.