Modele de court terme
Les pondérations synaptiques sont modélisées comme des amplitudes maximales de la conductance transitoire (EQ. 5) et déterminées à partir du poids logarithmique BCPNN, dérivé des traces P avec une constante d`échelle synaptique wgainsyn. Dans notre modèle, les synapses AMPA et NMDA font usage de wgainAMPA et wgainNMDA, respectivement. Leur ratio est le ratio d`amplitude AMPA/NMDA. Les valeurs signalées expérimentalement varient considérablement (Myme et coll., 2003). Il a été démontré que les ratios AMPA/NMDA légèrement inférieurs peuvent être utilisés dans un modèle très similaire pour apprendre des séquences, car les constantes de temps synaptiques plus longues du récepteur NMDA permettent l`apprentissage des corrélations temporelles entre les patrons d`activation (Tully et al., 2016). Le logarithme de l`équation 11 est motivé par les fondements bayésiens de la règle d`apprentissage, et signifie que les pondérations synaptiques de wijsyn multiplex à la fois l`apprentissage de l`interaction excitatrice et disynaptique inhibitrice. La composante positive de wijsyn est ici interprétée comme la conductance d`une synapse pyramidale de l`excitateur monosynaptique à pyramidale (Fig. 2, connexion en plastique au MC à droite), alors que la composante négative (Fig.
2, connexion en plastique au MC à gauche) est interprété comme étant disynaptique par le biais d`un ciblage dendritique et d`un interneurones inhibiteur vertical comme un double bouquet et/ou une cellule bipolaire (Tucker et Katz, 2003; Kapfer et coll., 2007; Ren et coll., 2007; Silberberg et Markram, 2007). Un tel interneurones serait local à un MC et ciblé par plusieurs connexions excitatrices entrantes (Lundbeck et al., 2006). Par conséquent, toutes les connexions BCPNN avec un poids négatif utilisent plutôt un potentiel d`inversion GABAergique, comme dans les modèles précédemment publiés (Tully et coll., 2014, 2016). Les réseaux modèles avec des pondérations synaptiques négatives ont été montrés fonctionnellement équivalents à ceux avec des neurones excitateurs et inhibiteurs avec seulement des poids positifs (parisien et al., 2008). En raison de cette modélisation indirecte de l`inhibition, notre réseau présente un nombre inférieur de neurones inhibiteurs explicitement modélisés (les cellules de panier inhibitrices sont modélisées explicitement) que ce qui serait prévu étant donné le ratio commun de 4:1 E-I. Nous avons évalué les performances de la mémoire grâce à un rappel gratuit. Pour ce dernier, nous avons compté des activations de modèle pour chaque modèle formé pendant un certain temps tfree. Nous avons détecté quels modèles activent au moins une fois pendant le rappel libre et obtenu une courbe de rappel de position série en faisant la moyenne de la probabilité d`un rappel de motif réussi sur plusieurs essais simulés. Comme le rappel libre est un processus dépendant du temps, tfree doit être assez long, de sorte que le modèle le plus faible qui peut être librement rappelé s`active au moins une fois. Nous avons vérifié notre choix de correspondance tfree à deux études expérimentales de mémoire (voir comparaison des données comportementales) en testant que la courbe de rappel de position série n`a pas changé significativement avec le temps de rappel plus long.
En outre, nous avons analysé la distribution des transitions de patrons (c.-à-d. les schémas activés les uns après les autres) pour calculer une probabilité de rappel conditionnelle (Kahana, 1996).
