Académique Documents
Professionnel Documents
Culture Documents
Mémoire
Maîtrise en Mathématiques
Maître ès sciences (M.Sc.)
Québec, Canada
Mémoire
La microscopie holographique utilise des techniques d’interférométrie pour mesurer les chan-
gements de volume des neurones et des astrocytes avec une précision sans précédent. Un défi
important serait de relier les changements de phase mesurés aux changements de volume du
neurone et plus encore de relier l’étendue de ces changements de volumes à certaines pro-
priétés des neurones comme le niveau d’activité des cotransporteurs cation-chlorure (CCC) et
certaines propriétés biomécaniques des membranes. L’objectif à plus long terme est d’utiliser
des changements de phase pour détecter des modifications dans la réponse volumique des neu-
rones à un choc osmotique par exemple, modifications qui pourraient éventuellement permettre
de détecter des pathologies. Pour comprendre l’information que l’on peut tirer des mesures
expérimentales, il est important de comprendre le lien entre différentes variables : force de
la pompe N a+ − K + AT P ase, la perméabilité de la membrane à l’eau, les propriétés biomé-
caniques de la membrane et les changements de phase observés par l’expérimentateur. Pour
y arriver, nous aborderons quelques notions sur les systèmes dynamiques, plus précisément
nous utiliserons les Equations Différentielles Ordinaires (E.D.O.) afin d’éffectuer la modélisa-
tion mathématique du phénomène illustrant la variation du volume de la membrane cellulaire,
ainsi que les variations des quantités de K + , N a+ et Cl− , qui constituent la principale com-
position ionique des astrocytes, qui sont les cellules étudiées dans ce projet. Dans ce même
régistre de rappel mathématique sur les systèmes dynamiques, nous parlerons des bifurcations,
pour lesquelles nous décrirons quand et comment est ce qu’elles apparaîssent tout en les illus-
trant par des exemples, ceci dans l’optique de se préparer à une meilleure compréhension des
résultats à venir après l’étude de notre modèle, puisqu’on espère y observer des bifurcations.
Nous serons ainsi amenés à étudier profondémént le système d’E.D.O obtenu, notamment la
recherche des points d’équilibre et leurs comportements dans l’espace des phases, voir s’il ya
lieu des points de bifurcation et leurs interprétations pour la cellule concernée. Le but visé
étant d’obtenir des bifurcations, ce qui expliquerait le dysfonctionnement des astrocytes, et
expliquerait certainement l’origine de certaines maladies maladies neurodégénératives ; nous
verrons finalement après étude du modèle qu’il n’existe pas de bifurcation, néanmoins la sim-
plicité du modèle utilisé ouvre des portes à de futurs projets plus complexes qui permettront
peut-être d’atteindre les objectifs visés.
iii
Abstract
The holographic microscopy uses interferometry techniques for measuring changes in volume
of neurons with an unprecedented accuracy. A major challenge is to relate the measured phase
changes with the neuron volume changes and more to relate the extent of these changes volumes
to certain properties of neurons such as the activity level of Cation-Chloride Cotransporter
(CCC) and some biomechanical properties membranes. The longer term objective is the
use of phase changes for detecting changes in the density response of neurons to an osmotic
shock which could possibly allow the detection of many kind of pathologies. To understand
the information that can be derived from experimental measurements, it is important to
understand the relationship between different variables: force pump N a+ − K + ATPase,
membrane permeability of water, biomechanical properties of the membranes and the phase
changes observed by the experimenter. To achieve this, we need some dynamical system skills,
we will use the Ordinary Differential Equations (E.D.O) in order to perform the mathematical
modeling of the phenomenon illustrating the variation of the membrane volume, as well as the
variations in quantities of K + , N a+ and Cl− , which constitute the main ionic composition
of astrocytes, which are the cells studied in this project. In this mathematical recall on
dynamical systems, we will talk about the bifurcations for a better understanding of the
incoming results since we are expecting bifurcations for our model. We will study deeply the
E.D.O. system obtained including the search of equilibrium points and their behavior in the
phase space, and we will see if there are bifurcations and what is their meaning. The aim
being to obtain bifurcations, which would explain the dysfunction of the astrocytes, and would
certainly explain the origin of certain neurodegenerative diseases; we will finally see, after
studying the model, that there is no bifurcation, nevertheless the simplicity of the model used
opens doors to more complex future projects that will perhaps achieve the desired objectives.
iv
Table des matières
Résumé iii
Abstract iv
Remerciements viii
Introduction 1
Conclusion 48
Bibliographie 50
v
À mes parents
vi
Souvenez-vous de moi, je vous
promets de tout oublier.
Marité Bonnal
vii
Je tiens à remercier tous ceux qui de près ou de loin, ont fourni de leur temps, de leur énergie,
de leur aide sur le plan physique, psychologique ou matériel, et de leurs encouragements pour
la réalisation de ce mémoire.
Je remercie le professeur Robert Guenette qui m’a apportée sa précieuse aide et son soutien
dès mon admission au programme.
Je remercie mon directeur le professeur Nicolas Doyon, sans qui la rédaction de ce mémoire
n’aurait pas eu lieu, je vous remercie du fond du coeur pour vos enseignements, votre patience
à mon égard, votre tolérance et surtout pour votre bonté. Vous m’avez guidée, encouragée, et
poussée à aller jusqu’au bout : merci !
Je remercie mon co-directeur le professeur Alexandre Girouard, pour l’aide matérielle apportée
et pour les connaissances qu’il m’a apporté à travers son vif esprit mathématique, ses remarques
et analyses qui n’ont apporté que du positif à ce mémoire.
Je remercie tous les professeurs qui m’ont enseignée tout au long de ce programme : j’ai
beaucoup appris.
Je remercie les membres du personnel administratif qui m’ont assistée à chaque fois pour une
quelconque procédure reliée à mon programme d’études.
Je remercie tous les intervenants médicaux et sociaux qui m’ont assistée durant les rudes
épreuves qui sont survenues tout au long de ce programme.
Je n’oublie pas les amis qui m’ont soutenue et tous ceux qui m’ ont aidée dans l’anonymat.
viii
Introduction
La modélisation mathématique des neurones et des réseaux de neurones est aujourd’hui recon-
nue comme un outil essentiel pour étudier le cerveau et le système nerveux central. En effet,
le cerveau est un organe complexe dont le bon fonctionnement est le résultat des interactions
entre plusieurs milliards de neurones et la biologie ne peut percer seule ses mystères. En com-
prenant mieux le fonctionnement du cerveau, nous espérons déchiffrer les causes de plusieurs
maladies parmi lesquelles l’Alzheimer, la schizophrénie, l’autisme etc... et ainsi éventuellement
développer de nouvelles stratégies thérapeutiques [3].
Dans le cadre de ce travail, nous nous intéresserons particulièrement à la manière dont les
astrocytes régulent leur volume. Les astrocytes sont les compagnons méconnus des neurones
qui en plus de veiller au bien-être de ces derniers, jouent un rôle actif dans la transmission des
signaux. Comme toutes les cellules, les neurones et les astrocytes doivent maintenir un volume
à peu près constant afin d’éviter un déchirement de la membrane et la mort cellulaire. Étant
donné que la majorité du volume des cellules nerveuses est due à l’eau qu’elles contiennent,
comprendre la manière dont elles régulent leur volume nécessite d’étudier les différents méca-
nismes (encore mal compris) de transport d’eau à travers la membrane. Un espoir que nous
avons est qu’en détectant des anomalies dans la manière dont les astrocytes régulent leur
volume, nous pourrons aider au diagnostic précoce de certaines maladies mentales telles que
********.
Jusqu’à récemment, les changements de volume des neurones et des astrocytes ont été re-
lativement peu étudiés et à fortiori peu modélisés. Une raison de cet intérêt limité était la
difficulté de mesurer ces changements de volume sauf dans des cas extrêmes menant à la mort
cellulaire. Le développement récent de la microscopie digitale holographique permet toutefois
de mesurer ces changements avec une précision de l’ordre du nanomètre ce qui motive notre
étude des facteurs déterminants de la régulation volumique [20, 43]. La microscopie digitale
holographique mesure la différence de phase entre un rayon laser traversant la cellule et un
rayon traversant un milieu de référence. Cette différence de phase est due au fait que des
protéines présentes dans la cellule augmentent l’indice de réfraction du milieu intracellulaire
ce qui ralentit le rayon lumineux qui traverse la cellule. Il est ensuite possible de déduire les
changements de volume à partir de la différence de phase mesurée.
1
Notre objectif ici est de construire un modèle mathématique qui permettra de relier les chan-
gements volumiques des cellules mésurés dans différentes conditions aux propriétés bioméca-
niques de la membrane et aux niveaux d’expression et d’activité des différents canaux exprimés
par la cellule. Il est connu que l’eau entre et sort passivement des cellules nerveuses par des ca-
naux appelés aquaporines. De plus, les cotransporteurs cation-chlorure (CCC) et les pompes à
glutamate sont responsables d’un transport actif de l’eau à travers la membrane. Finalement,
la rigidité de la membrane, déterminée par ses propriétés biomécaniques encore mal com-
prises, joue un rôle dans la régulation volumique en s’opposant aux grandes augmentations
volumiques. Bien que d’un point de vue qualitatif, ces relations sont connues, une compré-
hension quantitative de ces différents facteurs manque toujours. Notre modèle mathématique,
ainsi que d’autres plus complets, permettront d’établir ces relations quantitatives.
Notre modèle reposera sur un système d’équations différentielles ordinaires avec pour variables
dépendantes la quantité de différents ions à l’intérieur de la cellule et le volume de celle-ci. Bien
que le potentiel de membrane soit considéré comme une variable dynamique dans plusieurs
modèles neuronaux (comme dans les modèles d’Hodgkin Huxley), nous le considérerons ici
comme une variable auxiliaire déterminée par les différentes concentrations ioniques. Le modèle
ainsi obtenu permettra de décrire les changements de volume des cellules lorsque celles-ci sont
soumises à différents stresseurs, comme un changement de l’osmolarité extracellulaire ou une
augmentation de la concentration de potassium extracellulaire.
Du point de vue mathématique, nous obtiendrons ainsi un modèle non linéaire à quatre di-
mensions. Les solutions de ce modèle dépendront de nombreux paramètres d’intéret reliés au
niveau d’expression des différents canaux et transporteurs. Afin de comprendre la manière
dont les solutions du modèles dépendent de ces paramètres, nous utiliserons différents outils
mathématiques. Dans un premier temps, nous effectuerons la continuation des points fixes
afin de déterminer comment ces point fixes dépendent des paramètres d’intéret. Ensuite, en
linéarisant le système autour des points fixes obtenus et en calculant les valeurs propres du
Jacobien, nous pourrons déterminer la stabilité de ces points fixes. Finalement nous établirons
l’existence ou non de valeurs critiques des paramètres d’intérets qui correspondraient à des
points de bifurcation dans le système dynamique. En pratique, étant donné le bruit présent
dans tout système biologique, les points fixes instables ne seront pas observés expérimenta-
lement. La perte de stabilité d’un point fixe correspondant à un état sain se traduira par
conséquent par l’incapacité de la cellule à maintenir cet état.
Le mémoire sera divisé en trois parties. Dans la première partie, nous ferons une brève revue
des propriétés de la microscopie digitale holographie ainsi que des propriétés des neurones et
des astrocytes qui nous permettront plus loin de poser les équations de notre modèle. Dans
la deuxième partie du mémoire, nous effectuerons un rappel de différents théorèmes mathé-
matiques comme par exemple le théorème d’Hartman-Grobman qui permettront d’analyser
les solutions du modèle. La troisième partie constitue le coeur de notre travail. Dans cette
2
partie, nous commencerons par poser les équations du modèle en les obtenant à partir de
considérations biophysiques. Cette étape est importante car il existe peu de modèles dans la
littérature permettant de relier les différentes propriétés d’un neurone ou d’un astrocyte à
la dynamique des changements volumiques. Par la suite, nous résoudrons numériquement le
modèle pour différentes conditions initiales et différentes valeurs des paramètres. Finalement,
nous identifierons les points fixes du système, leur dépendance à la valeur des paramètres et
leur stabilité, ce qui permettra de déterminer s’il existe des valeurs critiques de ces paramètres
pour lesquelles des bifurcations ont lieu dans le système d’équations. Nous allons aussi men-
tionner que nous n’obtiendrons pas finalement de bifurcations à la suite des calculs éffectués,
ce qui est dommage pour les attentes que nous avions au début de ce projet, mais qui néan-
moins ouvre d’autres ouvertures de recherches à travers d’autres méthodes plus complexes que
d’aucuns pourraient utiliser, et qui laisseraient peut être entrevoir les bifurcations que nous
n’avons pas pu avoir avec notre modèle.
3
Chapitre 1
La DHM (pour Digital Holographic Microscopy) est une technique de mesure qui se base sur
les principes de l’holographie inventée en 1948 par Gabor (voir [13, 14]). Elle se sert de l’in-
terférométrie pour mesurer les changements de volume et d’indice de réfraction avec précision
en temps réel [8]. Un objectif important pour les biologistes est d’utiliser cette technique pour
mesurer indirectement la perméabilité de la membrane à l’eau ou obtenir des informations à
propos des différents mécanismes impliqués dans le mouvement de l’eau transmembranaire [5].
Un des grands avantages de cette approche est qu’elle permet de détecter des petits change-
ments dans l’épaisseur de la cellule d’environ 10 − 20 nm.
En ceci, la DHM se démarque des techniques précédentes comme le contraste de phase [43],
le contraste différentiel de Nomanski [5], et bien d’autres encore qui ne fournissaient que de
l’information qualitative. D’autres méthodes parvenaient à donner de l’information quantita-
tive, mais il fallait colorer la cellule à l’aide de marqueurs fluorescents et cela modifiait ou
endommageait ladite cellule ; c’est seulement la DHM qui parvient à dépasser ces limitations
[22]. La DHM est un dispositif de retransmission de l’image qui génère des mesures basées sur
des différences de phases. Ces mesures procurent de l’information à la fois sur le contenu de la
cellule et sur son épaisseur. Il est remarquable que cette technique permette ainsi de visualiser
les cellules transparentes sans avoir besoin de les marquer à l’aide de protéines fluorescentes.
Le dispositif matériel est généralement constitué d’un microscope et d’un ordinateur, ce der-
nier enregistre avec une très grande précision le retardement de phase des ondes retransmises
à travers un échantillon transparent.
4
Figure 1.1 – Principe de fonctionnement de la DHM
Source :http://biomedicaloptics.spiedigitallibrary.org/article.aspx?articleid=1566966
La longueur d’onde est une grandeur physique caractéristique d’une onde monochromatique
dans un milieu homogène, définie comme la distance séparant deux maxima consécutifs de
l’amplitude. La phase (d’une onde) indique la situation instantanée dans le cycle, d’une gran-
deur qui varie périodiquement. Nous savons que la vitesse de la lumière dans un milieu autre
c
que le vide est donnée par V = ; avec c la célérité de la lumière dans le vide et n l’indice de
n
réfraction du milieu.
5
lules contiennent des protéines qui augmentent l’indice de réfraction du milieu intracellulaire.
On a
ni = neau + K1 [Prot] (1.1)
où ni est l’indice de réfraction intracellulaire, neau l’indice de réfraction de l’eau, [Prot] est la
concentration de protéines intracellulaires et K1 est une constante dépendant uniquement du
type de protéines considérées.
On observe un retardement de phase lorsqu’on fait passer les rayons lumineux sur la même
distance, l’un dans la cellule et l’autre dans un milieu de référence. On pose d comme l’épaisseur
de la cellule, r1 comme le rayon lumineux qui traverse la cellule et r2 comme celui-ci parcourt
la même distance dans le milieu de référence (l’eau). Le temps que prend r1 pour franchir une
distance d et ainsi traverser la cellule est donné par :
d (neau + K1 [Prot])d
t1 = =
vcell c
où vcell est la vitesse de la lumière dans le milieu intracellulaire. Le temps que prend r2 pour
franchir la même distance d est donné par :
d dneau
t2 = =
veau c
où veau est la vitesse de la lumière dans l’eau (milieu de référence). Par (1.1), le délai qui
sépare l’arrivée des deux rayons est donc :
dK1 [Prot]
∆t = t2 − t1 = . (1.2)
c
Ce délai se traduit en différence de phase, que l’on note aussi ∆Φ, donnée par la formule
suivante
c∆t2π
= ∆Φ (1.3)
neau λ
avec λ la longueur d’onde spécifiée par le laser. La différence de phase ainsi obtenue est
exprimée en radians. La différence de phase fournit l’information sur la morphologie de la
cellule et sur l’indice de réfraction intracellulaire [19].
6
Il est possible d’inverser cette relation pour obtenir
1/3
6Vol
d= .
π
En multipliant les deux membres de cette dernière équation par [Prot], on obtient :
1/3
6 Nprot
d [Prot] = .
π (Vol)2/3
Ainsi, on obtient :
1/3
K1 6 Nprot
∆t =
c π Vol2/3
et par l’équation (1.3)
1/3
K1 2π 6 Nprot
∆Φ = .
neau λ π Vol2/3
On obtient finalement l’expression suivante pour le volume
1/2
K1 2π Nprot 3/2
6
Vol = (1.4)
π neau λ ∆φ
que l’on notera Vol = K2 (∆Φ)−3/2 . La relation (1.4) ne peut être utilisée pour déterminer
le volume absolu d’une cellule que si la quantité de protéines intracellulaires est connue ce
qui n’est généralement pas le cas. En pratique, la DHM est plutôt utilisée pour mesurer les
changements de volume d’une cellule lorsque celui-ci est perturbé. On pose ∆φrest comme la
différence de phase mesurée lorsque la cellule est au repos et ∆φpert la différence de phase
mesurée lorsque la cellule est perturbée. On a ainsi
∂Vol
Volpert − Volrest ≈ (∆φpert − ∆Φrest )
∂∆φ
où Volrest est le volume de la cellule au repos et Volpert est le volume de la cellule perturbée.
Remarquons que dans l’équation précédente, nous avons utilisé le symbole ≈ car il s’agit d’un
développement de Taylor d’ordre 1. En utilisant (1.4), on a
Remarque 1.0.1. Bien entendu, les neurones ou les astrocytes n’ont pas en général une géo-
métrie parfaitement sphérique. Dans le cas de géométries quelconques, il n’est plus possible
d’appliquer directement la méthode que nous venons de décrire. Une solution possible est
7
d’invoquer un facteur géométrique qui viendra décrire l’élongation de la cellule. Une autre ap-
proche consiste à prendre plusieurs mesures à différents endroits dans la cellule et de combiner
les différentes mesures afin de reconstruire le volume de la cellule. Nous ne nous attarderons
toutefois pas sur cette question qui dépasse le cadre de ce mémoire.
Remarque 1.0.2. La relation entre la différence de phase mesurée et le volume étant mainte-
nant établie par les équations (1.4) et (1.5), nous nous concentrerons à établir des liens entre
les propriétés de la cellule et la régulation volumique directement plutôt qu’entre ses propriétés
et la différence de phase mesurée.
Une entrée d’eau dilue le contenu intracellulaire produisant ainsi une baisse du signal de phase.
Au contraire, une sortie d’eau rend le contenu intracellulaire plus concentré, ce qui provoque
une hausse du signal de phase [19]. Le signal de phase est donc sensible à tous les mécanismes
modifiant la concentration des composantes intracellulaires ainsi qu’aux mécanismes respon-
sables du transport d’eau à travers la membrane [19]. Une propriété intéressante de la DHM
est qu’elle permet d’étudier les cellules sans avoir à les étiqueter (les colorier), ce qui évite de
les endommager [43]. Finalement, la DHM permet d’obtenir des images en trois dimensions
des cellules et de mesurer en temps réel l’évolution de leur volume lorsqu’elles sont soumises
à une perturbation. Ce sont les données provenant de la DHM qui seront utilisées dans la
simulation numérique du modèle utilisé afin de le rendre plus réaliste [20], [43].
8
Chapitre 2
Des éléments qui entrent en interaction au cours du temps forment ce qu’on appelle un système
dynamique. On utilise les systèmes dynamiques pour effectuer de la modélisation dans plusieurs
domaines tels que la mécanique (l’exemple du pendule), l’économie, l’électricité (l’exemple de
l’oscillateur), l’écologie (modèles prédateurs-proies), et ailleurs [7] [12]. Dans le cadre de ce
travail, nous utilisons un système dynamique décrit par des équations différentielles pour
comprendre les changements de volume d’une cellule.
On aimerait prévoir le comportement des systèmes tout en sachant comment leurs états évo-
luent lorsque le temps devient très grand [25]. En d’autres termes on voudrait donner l’état
d’un système à l ’instant t ∈ R, t > t0 lorsque l’on connaît l’état à l’instant t = t0 .
On distingue deux grandes familles de systèmes dynamiques : les systèmes dynamiques discrets
et les systèmes dynamiques continus. Contrairement aux systèmes dynamiques continus, les
systèmes discrets ne font pas intervenir d’équations différentielles. Puisque le modèle étudié
dans notre travail est un système d’équations différentielles, cela justifie le fait que nous ne nous
attarderons pas sur les systèmes discrets, mais seulement sur ceux continus. Nous rappellerons
dans une première partie la théorie des systèmes linéaires, ensuite nous parlerons de ceux non
linéaires et enfin nous ferons un bref rappel sur la théorie des bifurcations.
9
x : R −→ Rn
t 7−→ x(t)
f : R1+n −→ Rn
(t, x) 7−→ f (t, x)
une fonction,
Les variables xi , i = 1, ..., n sont les variables d’état du système. On peut écrire le système
d’EDO sous la forme suivante plus compacte :
ẋ = f (t, x) (2.1)
dx1 dxn
où ẋ = (x˙1 , ..., x˙n ) = , ..., ∈ Rn , et f = (f1 , ..., fn ) ∈ Rn .
dt dt
Définition 2.1.2. L’équation 2.1 est dite autonome si la fonction f ne dépend pas explicite-
ment du temps (ẋ = f (x)), sinon elle est dite non autonome.
Définition 2.1.3. On dit que l’équation 2.1 est linéaire si la fonction f (t, x) peut s’écrire
comme f (t, x) = Ax + B(t) où A est une matrice réelle n × n et B une fonction de R dans
Rn . Sinon, on dit qu’elle est non linéaire.
Définition 2.1.4. Pour une condition initiale x0 de 2.1, une solution x(t, x0 ) de l’équation
différentielle est une fonction du temps qui vérifie l’équation différentielle 2.1 et qui satisfait
x(t0 , x0 ) = x0 .
Définition 2.1.5. On appelle ici problème aux valeurs initiales (PVI), le problème constitué
d’une équation différentielle qui vérifie une certaine condition initiale et dont on recherche la
solution. En d’autres termes le PVI est le problème
(
ẋ = f (t, x(t))
x(t0 ) = x0
10
Définition 2.1.6. Un champ de vecteurs sur Rn est une application C 1 ,
f : Rn −→ Rn
x 7−→ f (x)
f : Rn −→ Rn
x 7−→ f (x)
un champ de vecteurs et
x : R −→ Rn
t 7−→ x(t)
soit x une solution au problème ẋ = f (t, x(t)), x(t0 ) = x0 . Alors φ(t, x0 ) := x(t) est encore
appelé le flot du champ de vecteurs f .
Une notion importante dans l’étude des systèmes dynamiques est la notion de point fixe.
Définition 2.1.10. Un point d’équilibre ou point fixe est un point x∗ ∈ Rn tel que f (x∗ ) = 0.
En dimension 2, il est facile de voir que dans le cas du système ẋ = Ax, si pour la matrice
A, le noyau de A noté Ker(A) vérifie Ker(A) = 0, le seul point fixe est x = (0, 0) car étant
l’unique élément de Ker(A) = {(x, y) ∈ R2 , f (x, y) = 0} = 0.
La notion de stabilité est cruciale pour comprendre le comportement des solutions au voisinage
des points fixes.
Définition 2.1.11. Un point fixe x∗ pour un système ẋ = f (x) est dit stable si pour tout
( petit), il existe δ > 0 tel que chaque solution x(t) dont les conditions initiales sont à une
distance δ >k x(t0 ) − x∗ k reste à une distance >k x(t) − x∗ k, pour tout t ≥ t0 .
Un point fixe x∗ pour un système ẋ = f (x) est dit asymptotiquement stable s’il est stable, de
plus il existe δ0 > 0 tel que δ0 >k x(t0 ) − x∗ k⇒ x(t0 ) → x∗ quand t → ∞.
11
2.2 Systèmes linéaires
Étant donné que l’étude d’un système d’EDO non linéaire s’avère très souvent difficile, on
utilise fréquemment la linéarisation afin d’obtenir un système d’EDO linéaire qui sera plus
facile à étudier. L’étude de la stabilité des points fixes du système linéarisé nous donnera de
l’information sur le comportement qualitatif (local) du système non linéaire. Commençons donc
par rappeler comment se fait l’étude d’un système linéaire, nous le ferons ici en dimension 2 par
souci de simplicité bien que les résultats se généralisent directement en dimensions supérieures.
Nous nous intéressons aux systèmes d’EDO linéaires de la forme :
Ẋ = AX = f (X) (2.2)
La solution est donnée par X(t) = eAt X0 où l’exponentielle matricielle est définie comme suit :
La diagonalisation de la matrice carrée A sera utilisée pour réduire le système linéaire 2.2 en
un système linéaire non couplé. La matrice A étant supposée réelle, le théorème suivant nous
permet d’effectuer cette réduction.
Théorème 2.2.3. Soit A une matrice n × n, soit λ1 , λ2 , ..., λn les valeurs propres de A et
v1 , v2 , ..., vn les vecteurs propres correspondants. Si les valeurs propres sont réelles et distinctes,
alors l’ensemble formé des vecteurs propres V ect = {v1 , v2 , ..., vn } forme une base de Rn , la
matrice P = [v1 , v2 , ..., vn ] est inversible et D := P −1 AP = diag [λ1 , λ2 , ..., λn ] [33].
eAt = P −1 eDt P.
Les sous-espaces stables, instables et centre sont des sous-espaces de Rn laissés invariant par
le flot du système linéaire ẋ = Ax. On les définit comme suit.
12
Définition 2.2.4. Supposons que la matrice A de dimension n × n possède k valeurs propres
distinctes à partie réelle négative λ1 , ..., λk et j valeurs propres distinctes à partie réelle
positive λk+1 , ..., λj et n − k − j valeurs propres à partie réelle nulle. Soit {v1 , ..., vn } l’en-
semble des vecteurs propres correspondants, alors les sous-espaces stable, instable et centre
du système linéaire 2.2, notés respectivement E s , E u et Ec sont des sous-espaces linéaires
engendrés par {v1 , ..., vk } et {vk+1 , ..., vk+j } et {vk+j+1 , ..., vk+j+n } respectivement. On note
E s = Re(λi <0) Ei pour le sous-espace stable, E u = Re(λi >0) Ei pour le sous-espace instable
L L
avec c1 , c2 , c3 des constantes. La solution satisfaisant la condition initiale (x1,0 , x2,0 , x3,0 ) est
obtenue en posant c1 = x1,0 , c2 = x2,0 , c3 = x3,0 . Dans ce système, (0, 0, 0) est le seul point
fixe. Dans cet exemple, Es est le sous espace engendré par (0, 1, 0) et Eu est le sous espace
engendré par les vecteurs (1, 0, 0) et (0, 1, 1) et il n’y a pas de sous-espace centre.
En dimension 2, le plan de phase désigne le plan dont les axes sont les variables d’état x − y.
Il constitue un outil très utile pour visualiser et comprendre les solutions d’un système.
Le portrait de phase de 2.1 désigne l’ensemble de toutes les trajectoires solutions ou encore
l’ensemble des orbites dans le plan de phase.
À titre illustratif, nous allons étudier différents portraits de phase possibles pour le système
linéaire ẋ = Ax. Soit x ∈ R2 et A une matrice 2 × 2. Pour commencer, nous décrirons le
portrait de phase du système linéaire ẋ = Bx ; où la matrice B est donnée par B = P −1 AP
et a l’une des trois formes suivantes :
(i)
λ 0
B=
0 ν
(ii)
λ 1
B=
0 λ
13
(iii)
a −b
B= .
b a
avec λ, ν, a, b ∈ R, alors le portrait de phase de ẋ = Ax sera obtenu de celui de ẋ = Bx par
transformation linéaire des coordonnées x = P y.
Cas 1 Si λ < 0 < ν et
λ 0
B=
0 ν
alors le système linéaire admet un point selle à l’origine comme on peut le voir sur la
figure 2.1 [33].
14
Figure 2.2 – Noeud stable
Cas 3 Si
a −b
B=
b a
avec a < 0, alors le système admet un foyer stable à l’origine.
15
Figure 2.4 – Foyer instable
Cas 4 Si
0 −b
B=
b 0
alors le système admet un centre à l’origine dont le sens dépend du signe de b : pour
b < 0, nous pouvons l’observer sur la figure 2.5 [33].
16
(a) Si δ < 0, alors il admet un point selle à l’origine.
(b) Si δ > 0 et ν 2 − 4δ ≥ 0, alors il admet un noeud à l’origine, qui est stable lorsque ν < 0
et instable lorsque ν > 0.
Définition 2.2.8. Un noeud stable ou foyer stable du système 2.2 est appelé puit et un noeud
non stable ou foyer instable est appelé source.
L’existence d’une solution du système 2.3 et son unicité sont garanties sous certaines condi-
tions. Afin de pouvoir les énumérer, nous allons rappeler quelques conditions indispensables
telles que la condition de Lipschitz que nous définissons ici.
| f (x) − f (y) |≤ K | x − y |.
Une fonction f est dite localement lipschitzienne sur U si pour chaque point x0 ∈ U il existe
un voisinage de x0 , V (x0 ) ⊆ U et une constante K0 > 0 telle que ∀x, y ∈ V (x0 ) [33] :
| f (x) − f (y) |≤ K0 | x − y |.
17
Cela nous permet d’obtenir une condition d’existence et d’unicité pour les solutions des sys-
tèmes dynamiques autonomes non linéaires à travers le théorème suivant :
Remarquons que ce théorème s’applique en vertu du lemme précédent également aux fonctions
différentiables.
Il n’existe pas de théorie générale permettant de résoudre analytiquement les équations diffé-
rentielles non linéaires, et pourtant la plupart des phénomènes sont modélisés par des EDO non
linéaires. À défaut de les résoudre de manière exacte, nous chercherons des points d’équilibre
des systèmes non linéaires et déterminerons la nature (stabilité) de ces points fixes.
Théorème de Hartman-Grobman
ẋ = Ax (2.5)
18
on peut trouver un intervalle ouvert I0 ⊆ R qui contient l’origine, et vérifiant pour tous x0 ∈ W
et t ∈ I0 : Hoφt (x0 ) = eAt H(x0 ). C’est-à-dire que H projette les trajectoires de 2.4 autour de
l’origine vers les trajectoires de 2.5 autour de l’origine et conserve la paramétrisation [33].
Remarque 2.3.5. Il est nécessaire d’avoir un point fixe hyperbolique afin d’appliquer le théo-
rème d’Hartman-Grobman ; car sinon le système linéarisé et le système non linéaire pourraient
exhiber de différents portraits de phase locaux.
Remarque 2.3.6. Trouver l’homéomorphisme H qui vérifie Hoφt (x0 ) = eAt H(x0 ) s’avère très
souvent difficile ; le théorème d’Hartman-Grobman intervient donc pour assurer son existence
sans pour autant indiquer comment le trouver.
Remarque 2.3.8. La norme utilisée ici est la norme sup définie par :
avec k ∈ R.
En résolvant (
ẋ = 0
ẏ = 0
on trouve (x, y) = (0, 0) comme point d’équilibre. On a
k + 3x2 + y 2 −1xy + 2
Df (x) =
k + x2 + 3y 2
1 + 2xy
ainsi
k −1
A = Df (0) =
1 k
19
un équilibre hyperbolique et on pourra appliquer le théorème d’Hartman-Grobman. La nature
du point d’équilibre dépend des valeurs de k Si k > 0, on a un foyer instable, si k < 0, on a un
foyer stable, mais si k = 0, le théorème d’Hartman-Grobman ne nous permet pas de statuer.
Théorème 2.4.2 (Théorème des fonctions implicites à deux variables). Soit f une fonction
C k (k ∈ N définie sur un ouvert U de R2 vers R. Soit (a, b) ∈ U tel que f (a, b) = 0. On
∂f
suppose que (a, b) 6= 0. Alors il existe V, voisinage ouvert de (a, b) dans R2 , un intervalle I
∂y
ouvert de R contenant a et une fonction g : I =⇒ R, C k aussi telle que, pour tout (x, y) ∈ V ,
f (x, y) = 0 ⇔ y = g(x)
Remarque 2.4.3. Supposons qu’on ait un système ẋ = f (x, µ), avec f de classe C 1 , avec
pour point d’équilibre x0 pour µ = 0. Si 0 n’est pas valeur propre du jacobien, alors par le
théorème des fonctions implicites, le système a un point d’équilibre x0 (µ) dans un voisinage
de l’origine pour µ petit.
Les point fixes peuvent ainsi être considérés comme des fonctions implicites de µ dans ce
voisinage.
20
Nous nous intéressons donc aux bifurcations qui surviennent au voisinage du point d’équilibre
ou de l’orbite périodique. Ces dernières sont appelées bifurcations locales.
Les espèces les plus simples de bifurcations apparaissant dans les systèmes dynamiques sont
appelées bifurcations au points d’équilibres non hyperboliques.
-Si k > 0, on a une bifurcation super-critique (qui est symétrique à celle trans-critique)
21
Figure 2.6 – La bifurcation col noeud
On voit sur la figure 2.6 que lorsque µ < 0, on a l’équilibre stable représenté en traits continus
et l’équilibre instable en traits interrompus ; puis lorsque µ varie et tend vers 0, ces équilibres
deviennent de plus en plus proches pour finalement se confondre en µ = 0 et ne former qu’un
équilibre dit semi-stable, ensuite lorsque µ > 0, l’équilibre disparaît totalement [9].
La bifurcation fourche est quant à elle associée à l’équation du type ẋ = kx3 (t) + µx(t), µ,
k, µ ∈ R. Comme précedemment, nous allons illustrer le cas trans-critique (k < 0) sachant que
le cas super-critique s’obtient par symétrie. L’équation kx3 (t) + µx(t) = 0 admet 1 équilibre
(x = 0) lorsque µ < 0 et 2 équilibres lorsque µ ≥ 0 ; le diagramme est donné par la figure
suivante [9] :
22
Figure 2.7 – La bifurcation fourche
Source : [9]
On observe bien sur la figure 2.7 que lorsque µ < 0, on a un équilibre stable représenté en
traits continus ; puis lorsque µ varie en se rapprochant de 0 et prend finalement la valeur 0,
cet équilibre perd sa stabilité et survient alors la bifurcation en µ = 0, puis lorsque µ > 0,
apparaissent deux nouveaux équilibres stables [9].
La bifurcation de Hopf. Lorsque deux valeurs propres complexes conjuguées traversent l’axe
imaginaire (de manière temporelle), alors apparaît une bifurcation de Hopf dans le sous espace
des ces valeurs propres. Elle est associée à l’équation complexe
(µ + iω)z(t)− | z | z(t), µ ∈ R [9]. L’étude d’une telle équation se fait après passage en
coordonnées polaires, on pose donc z(t) = r(t)eiθ(t) , on obtient ainsi le nouveau système
ṙ = µr − r3
θ̇ = ω.
Cette étude qu’on ne fera pas ici permet d’obtenir le diagramme suivant dans l’espace (Re(z), Im(z), µ)
[9] :
23
Figure 2.8 – La bifurcation de Hopf
Source : [9]
On observe sur le diagramme de la figure 2.8 que lorsqu’on passe en coordonnées polaires, la
première équation est encore celle d’un bifurcation fourche avec comme paramètre µ. Faisons
varier le paramètre µ ; lorsque µ < 0, le système admet un point d’équilibre stable, puis ce
dernier perd sa stabilité à µ = 0, ensuite apparaît un cycle limite pour µ > 0 [9].
24
Chapitre 3
Après avoir discuté de la biologie et des théories mathématiques qui soutiennent notre modèle,
nous sommes maintenant prêts à poser les équations de ce modèle.
Remarque 3.1.1. Les CCCs sont fortement impliqués dans la régulation volumique des neu-
rones. Plus particulièrement, le NKCC1(cotransporteur Na-K-Cl encodé par gêne SLC12A2)
fait entrer des ions chlorure et de l’eau dans la cellule, ce qui provoque une augmentation du
volume tandis que les KCC font sortir des ions chlorure et de l’eau de la cellule impliquant
plutôt une diminution du volume.
Dans notre modèle, nous décrivons les courants associés aux ions K + , N a+ et Cl− . Nous
tenons également compte des protéines chargées négativement dans le milieu intracellulaire
auxquelles la membrane est imperméable. Le système d’ÉDOs que nous étudierons est le
25
suivant :
dVol
= Sgeau (Osmi − Osme ), (3.1)
dt
dNK + IK +
i i
= , (3.2)
dt F
dNN a+ IN a+
i i
= , (3.3)
dt F
dNCl− ICl−
i i
= − . (3.4)
dt F
Dans ce système, S est la surface de la cellule exprimée en µm2 et geau est la perméabilité
de la membrane à l’eau exprimée en µm/(mOsm · ms). La constante F est la constante de
Faraday exprimée en C/mole. L’expression Nx correspond à la quantité d’ions de l’espèce x
dans la cellule exprimée en 10−18 mole et Ix est le courant transmembranaire relié aux ions
de l’espèce x exprimé en 10−15 C. Nous aurons besoin des équations auxiliaires suivantes afin
de déterminer l’osmolarité intracellulaire et extracellulaire :
Les concentrations extracellulaires sont traitées comme des constantes ou des paramètres tan-
dis que les concentrations intracellulaires sont obtenues en divisant la quantité de matière par
le volume intracellulaire. Explicitement, nous avons
NK +
[K + ]i = i
, (3.7)
Vol
NN a+
[N a+ ]i = i
, (3.8)
Vol
NCl−
[Cl− ]i = i
, (3.9)
Vol
NProt
[Prot− ]i = (3.10)
Vol
où Vol est le volume de la cellule exprimé en µm3 . Les concentrations sont exprimées en mM
avec 1mM = 1 mole/m3 . Les différents courants ioniques IK , IN a et ICl sont quant à eux
donnés par les équations suivantes :
26
de droite compatibles avec celles des membres de gauche. Le courant Ipump est le courant net
causé par l’activité de la pompe N a+ − K + ATpase. Ce courant dépend des concentrations
ioniques [N a+ ]i et [K + ]e , mais les détails quantitatifs de cette dépendance sont mal compris.
Dans ce travail, nous utiliserons l’équation suivante
avec
1 1
f ([N a+ ]i , [K + ]e ) = (25−[N a+ ]
· . (3.15)
1+e i) 1 + e(3.5−[K + ]e )
Les potentiels d’équilibre des différents ions (en mV ) sont quant à eux donnés par l’équation
de Nernst
[N a+ ]e
1000RT
EN a = log , (3.16)
F [N a+ ]i
[N a+ ]e
1000RT
EK = log , (3.17)
F [N a+ ]i
[Cl− ]i
1000RT
ECl = log (3.18)
F [Cl− ]e
où R est la constante des gaz parfaits exprimée en J/(mole·K) et T la température absolue en
K ; ρ est une constante représentant la force de la pompe K + -N a+ ATPase et elle sera discutée
plus bas. Couramment, l’équation de Nernst est écrite sans le facteur 1000 apparaissant dans
les membres de droite, mais celui-ci est nécessaire pour obtenir des potentiels d’équilibre en
mV et non en V . La surface de la cellule est liée à son volume à travers la formule
avec la valeur de la constante Cte déterminée par la géométrie de la cellule. Comme l’astrocyte
est vu ici comme une sphère, si r est le rayon de la sphère, alors S = 4πr2 et Vol = 4πr3 /3.
On trouve S = (36π)1/3 Vol2/3 ce qui nous permet d’obtenir Cte = (36π)1/3 .
27
un état pathologique. Nous donnerons ici les valeurs normales des paramètres et nous men-
tionnerons plus loin lorsque d’autres valeurs seront utilisées.
Remarquons que ces valeurs nous donnent une charge électrique nette de zéro dans le milieu
extracellulaire et une osmolarité extracellulaire de 283 mOsm.
28
IN a = 0 et en supposant des valeurs physiologiques standard pour [K + ]i et [N a+ ]i , c’est-
à-dire [N a+ ]i = 10 mM, [K + ]i = 133 mM . Ces valeurs de concentration nous permettent
d’obtenir
+
RT [K ]e
EK = 1000 log ≈ −100 mV,
F [K + ]i
[N a+ ]e
RT
EN a = 1000 log ≈ 45 mV.
F [N a+ ]e
gN a (Vm − EN a ) −1 + +
ρ= f Na i , K e .
3
29
On en déduit ECl = V et en inversant l’équation de Nernst, on obtient la valeur de [Cl− ]i
F Vm
− −
Cl i
= Cl e
exp 1000RT ≈ 10mM. (3.28)
On en déduit
Osme
− [Cl− ]i .
[Prot]i =
2
Pour obtenir la quantité Nprot , nous allons considérer une valeur standard pour le rayon de la
cellule soit r = 6 µm. Le volume de la cellule est alors donné par
4
Vol = πr3 ≈ 1000 µm3 .
3
La quantité de protéines intracellulaires exprimée en 10−18 mole est donc
Pour pouvoir utiliser cette valeur dans l’équation (3.20) nous devons d’abord la convertir en
10−15 F/µm2 . On obtient Cap = 10 × 10−15 F/µm2 .
Finalement, il faut choisir la perméabilité de la membrane à l’eau (Pf ). Cette valeur est
mal connue dans la littérature scientifique car il est impossible de mesurer directement les
courants d’eau. Un intérêt de modèles tels que celui décrit ici pourrait justement être d’aider
à déterminer ce paramètre. Le valeur de Pf que nous utilisons est basée sur l’hypothèse qu’un
choc osmotique donnant un gradient osmotique de 100 mOsm provoque un changement de
volume de 300 pourcents en une minute. On a donc :
0.5 · Vol
(100 mOsm)Sgeau = . (3.30)
60000 ms
En nous basant sur une géométrie sphérique et en considérant un rayon r = 6 µm, l’équation
(3.30) nous permet d’obtenir
3 µm
Pf = Pf = ≈ 1.67 · 10−7 µm/(ms · mOsm).
1.8 · 107 ms · mOsm
30
3.3 Conditions initiales.
Nous utiliserons les conditions initiales suivantes pour les concentrations intracellulaires de
sodium et de potassium
[N a+ ]i (0) = 10 mM,
[K + ]i (0) = 133 mM.
Ces conditions correspondent à des conditions physiologiques standard pour une cellule au
repos.
La concentration initiale d’ions chlorure dans le milieu extracellulaire est obtenue à partir de
la condition d’équilibre suivante
− − F eq
[Cl ]i (0) = 1000[Cl ]e exp V
RT m
avec la valeur du potentiel de membrane à l’équilibre (Vmeq ) donnée par l’équation
3gK EK (0) + 2gN a EN a (0)
Vmeq =
3gK + 2gN a
où les valeurs de EK (0) et EN a (0) sont respectivement
[K + ]e
RT
EK (0) = 1000 log ,
F [K + ]i (0)
[N a+ ]e
RT
EN a (0) = 1000 log .
F [N a+ ]i (0)
Finalement, la condition initiale pour le volume est donnée par
4πr3
Vol(0) =
3
avec r = 6 µm.
Dans cette simulation, nous modifions les paramètres correspondant aux concentrations io-
niques dans l’espace extracellulaire. Durant les deux premières minutes, ces paramètres sont
laissés à des valeurs physiologiques normales. Après deux minutes, ces concentrations sont
changées de manière discontinue. On divise alors les concentrations extracellulaire par deux ce
qui est équivalent à imposer un choc hypo-osmotique. Après un autre deux minutes de temps
simulé, les concentrations extracellulaires sont ramenées de manière discontinue à leur valeur
initiale. Une telle simulation permet de comprendre comment la cellule réagit lorsqu’elle est
perturbée et la manière dont elle récupère lorsque la perturbation est terminée.
31
8500
8000
7500
Cell Volume (um3)
7000
6500
6000
5500
5000
4500
4000
0 50 100 150 200 250 300 350 400
Time (s)
×10 5
6
NNa
NK
5 NCl
4
Nion (10-18 mole)
0
0 50 100 150 200 250 300 350 400
Time(s)
Figure 3.2 – Variation de la quantité d’ions dans la cellule lors d’un choc hypo-osmotique
32
140
[Na]
[K]
120 [Cl]
100
Concentration (mM)
80
60
40
20
0
0 50 100 150 200 250 300 350 400
Time (s)
Figure 3.3 – Variation des concentrations d’ions dans la cellule lors d’un choc hypo-osmotique
-10
-20
Membrane potential (mV)
-30
-40
-50
-60
-70
-80
-90
-100
0 50 100 150 200 250 300 350
Time (ms)
La figure 3.1 montre la réponse du volume de la cellule à un choc hypo-osmotique. Sans sur-
prise, le volume augmente considérablement lors du choc hypo-osmotique puis revient ensuite
à son état initial après que les concentrations extracellulaires aient retrouvé leur valeur nor-
male. Le fait que le volume double lors du choc s’explique intuitivement par le fait que les
concentrations extracellulaires soient réduites de moitié. Un doublement de volume réduit les
concentrations intracellulaires par la même proportion ce qui permet à la cellule d’atteindre
un nouvel état d’équilibre.
33
La figure 3.2 illustre les quantités d’ions, certaines diminuent (NK , NCl ) tandis que d’autres
augmentent (NN a ) lors du choc hypo-osmotique pour ensuite revenir à leur état initial. Nous
avons inclus cette figure à cause du fait que les quantités ioniques apparaissent explicite-
ment dans notre système d’équations. La signification de ces quantités est toutefois difficile
à interpréter. En divisant la quantité d’ions par le volume, nous obtenons l’évolution des
concentrations ioniques (3.3) plus facile à interpréter.
La figure 3.3, montre que les concentrations ioniques intracellulaires diminuent lors du choc
hypo-osmotique. On remarque particulièrement que la concentration de potassium diminue
140 à 80 mM ce qui s’explique principalement par une augmentation du volume qui provoque
une dilution du potassium.
On constate ainsi que les résultats des simulations sont proches de la réalité , en ce sens que
ces dernières essaient de reproduire ce qui se passe éffectivement dans les cellules. On peut y
observer clairement les différentes étapes de variation du volume de la cellule dépendemment
des variations des quantités d’ions. Nous pouvons de ce fait nous permettre de considérer ce
modèle comme bon.
34
Chapitre 4
Dans ce chapitre, nous allons d’abord obtenir un algorithme permettant de calculer la valeur
d’un point fixe à partir d’une approximation initiale. Nous effectuerons ensuite les calculs
détaillés permettant d’obtenir la matrice Jacobienne grâce à laquelle nous déterminerons la
stabilité d’un point fixe. Finalement, nous étudierons ce qu’il arrive au point fixe correspondant
à l’état physiologique lorsque la force de la pompe N a+ − K + ATPase est réduite.
35
système d’équations non linéaires suivant :
dVol
= 0,
dt
dNN a+
i
= 0,
dt
dNK +
i
= 0,
dt
dNCl−
i
= 0.
dt
Ce système est équivalent au système d’équations suivant
D’autre part, l’équation (4.1) implique que la concentration de protéines intracellulaires est
donnée par
[Prot]i = Osme − [N a+ ]i − [K + ]i − [Cl− ]i
ce qui permet d’obtenir qu’à l’équilibre, la valeur du volume est donnée par
Osme − [N a+ ]i − [K + ]i − [Cl− ]i
Voleq = . (4.7)
Nprot
N a+ i , K + e .
3gN a (EN a − Vm ) = ρf (4.8)
1 3gN a (EN a − Vm )
(25−[N a+ ] )/3
3.5−[K + ]
=
1 + exp i 1 + exp e ρ
36
et
+ ρ
exp(25−[N a ]i )/3 = +] −1
3gN a (EN a − Vm ) 1 + exp3.5−[K e
− init init
INPUT : Une approximation initiale du point fixe [N a+ ]init + init
i , [K ]i , [Cl ]i , Vol .
37
Trouver un point fixe du système d’équations différentielles ordinaires autonomes décrit par
dx
= f (x)
dt
où x est un vecteur de Rn et f une fonction de Rn dans Rn est équivalent à résoudre le système
d’équations f (x) = 0. Nous ne démontrerons pas la convergence de cet algorithme et a fortiori
ne chercherons pas à identifier les conditions dans lesquelles il converge. Toutefois, pour tous
les paramètres et valeurs testées dans ce chapitre, cet algorithme a convergé. Plusieurs autres
méthodes auraient pu être utilisées pour identifier les points fixes ; nous aurions pu par exemple
utiliser la méthode de Newton ou simplement utiliser la fonction f solve de MATLAB. Nous
avons construit cet algorithme avec en tête l’idée de tirer profit du travail algébrique effectué
dans les équations (4.5)-(4.10).
Nous allons donner une expression algébrique explicite pour chacune des dérivées partielles
apparaissant dans la matrice Jacobienne. Calculons d’abord chacune des dérivées partielles de
la fonction h1 . Nous avons d’une part
∂h1 ∂Osmi
= Sgeau .
∂Vol ∂Vol
En utilisant le fait que Osmi = (NN a+ + NK + + NCl− + Nprot )/Vol, on obtient
i i i
38
Pour les dérivées partielles de la fonction h2 , nous avons
∂h2 10S ∂EN a ∂Vm ∂Ipump
= gN a − −3
∂Vol F ∂Vol ∂Vol ∂Vol
∂S
+ [(gN ai (EN ai − Vm ) − 3Ipump ] . (4.15)
∂Vol
Nous obtenons d’une part
∂EN a ∂EN a ∂ [N a+ ]i
=
∂Vol ∂ [N a+ ]i ∂Vol
−N + !
−1000RT N ai
=
F [N a+ ]i Vol2
1000RT
= . (4.16)
F · Vol
Nous avons d’autre part
i 25−[N a+ ]
NN a+ exp 3
i
= −Ipump . (4.18)
3Vol2 1 + exp 25−[N
3
a]i
39
Calculons maintenant la dérivée de h2 par rapport à la quantité de sodium intracellulaire. On
a " ! #
∂h2 10S ∂EN a ∂Vm ∂Ipump
= gN a − −3 . (4.21)
∂NN a+ F ∂NN a+ ∂NN a+ ∂NN a+
i i i i
On a d’une part
[N a+ ]e
∂EN a 1000RT ∂
= log
∂NN a+ F ∂NN a+ [N a+ ]i
i i
1000RT 1 ∂[N a+ ]i
= −
F [N a+ ]i ∂NN a+
i
−1000RT
= . (4.22)
F · NN a+
i
On a d’autre part que la dérivée du potentiel de membrane par rapport à la quantité de sodium
intracellulaire est égale à
∂Vm F ∂ F
= (NK + + NN a+ − NCl− − NP rot ) = . (4.23)
∂NN a+ S · Cap ∂NN a+ i i i S · Cap
i i
Pour la dérivée du courant pompe par rapport à la quantité de sodium intracellulaire, nous
avons
" #
∂Ipump ρ ∂ 1
= 3.5+[K +] 25−[N a+ ]i
∂NN a+ 1 + exp e ∂NN a+
i i 1 + exp 3
25−[N a+ ]i
1
ρ 3Vol exp
3
= 3.5+[K +] 2
1 + exp e
25−[N a+ ]i
1 + exp 3
25−[N a+ ]i
exp 3
= Ipump . (4.24)
25−[N a+ ]i
3Vol 1 + exp 3
40
On calcule la dérivée de h2 par rapport à la quantité d’ions chlorure intracellulaire d’une ma-
nière semblable
" ! #
∂h2 10S ∂EN a ∂Vm ∂Ipump
= gN a − −3
∂NCl− F ∂NCl− ∂NCl− ∂NCl−
i i i i
10S F
= gN a 0 + −0
F S · Cap
10gN a
= . (4.27)
Cap
∂Ipump
∂Vol
donnée par (4.18). En utilisant les égalités (4.29), (4.17) et (4.18) dans l’égalité (4.28) on
obtient
" !! 25−[N a]i #
∂h3 10S gK 1000RT 25/3 π 1/3 2Ipump NN a+ exp 3
i
= + Vm − . (4.30)
∂Vol F Vol F 37/3 3Vol2 1 + exp
25−[N a]i
3
Pour la dérivée partielle de la fonction h3 par rapport à la quantité d’ions sodium intracellu-
laire, nous avons
" ! #
∂h3 10S ∂EK ∂Vm ∂Ipump
= gK − +2
∂NN a+ F ∂NN a+ ∂NN a+ ∂NN a+
i i i i
25−[N a+ ]i
10S F 2Ipump exp 3
= gK 0 − + 25−[N a+ ]i
F S · Cap 3Vol
1 + exp 3
25−[N a]i
−10gK 20S · Ipump exp 3
= + . (4.31)
Cap 3Vol · F 1 + exp 25−[N
3
a]i
41
Pour la dérivée partielle de la fonction h3 par rapport à la quantité d’ions potassium intracel-
lulaire, nous avons
" ! #
∂h3 10S ∂EK ∂Vm ∂Ipump
= gN a − +2
∂NK + F ∂NK + ∂NK + ∂NK +
i i i
" ! #i
10S −1000RT F
= gK − +0
F NK + S · Cap
i
" #
10S −1000RT gK F gK
= − . (4.32)
F NK + S · Cap
i
10S F
= gK 0 + +0
F S · Cap
10gK
= . (4.33)
Cap
Terminons par calculer les dérivées partielles de la fonction h4 . Nous avons d’abord
∂h4 −10S ∂ECl ∂Vm
= gCl −
∂Vol F ∂Vol ∂Vol
−10S 1000RT 2Vm
= gCl + . (4.34)
F F · Vol 3Vol
La dérivée partielle de la fonction h4 par rapport a la quantité d’ions sodium intracellulaire
nous donne
!
∂h4 −10S ∂ECl ∂Vm
= gCl −
∂NN a+ F ∂NN a+ ∂N ai
i i
−10S F
= gCl 0 −
F S · Cap
10S gCl
= . (4.35)
F Cap
Calculons maintenant la dérivée partielle de h4 par rapport à la quantité d’ions potassium
dans le milieu intracellulaire :
!
∂h4 −10S ∂ECl ∂Vm
= gCl −
∂NK + F ∂NK + ∂NK +
i i
i
−10S F
= gCl 0 −
F S · Cap
10gCl
= . (4.36)
Cap
42
Finalement, la dérivée partielle de la fonction h4 par rapport à la quantité d’ions chlorure dans
le milieu intracellulaire nous donne
!
∂h4 −10S ∂ECl ∂Vm
= gN a −
∂NCl− F ∂NCl− ∂NCl−
i i i
!
−10S −1000RT F
= gCl + . (4.37)
F F NCl− S · Cap
i
(4.11) (4.12) (4.13) (4.14)
(4.20) (4.25) (4.26) (4.27)
J =
(4.30)
(4.31) (4.32) (4.33)
(4.34) (4.35) (4.36) (4.37)
où les entrées de la matrices J réfèrent aux équations de cette section donnant les valeurs des
dérivées partielles.
Pour commencer, en utilisant les conditions initiales données au chapitre précédent comme
point de départ de notre algorithme de recherche de point fixe, nous identifions un point fixe
correspondant à un état physilogique sain. Le calcul du Jacobien révèle que toutes les valeurs
propres de ce Jacobien sont réelles et négatives. Par le théorème d’Hartman-Grobman, nous
savons donc que ce point fixe agit localement comme un puit.
Par la suite, nous réduisons graduellement la valeur de ρ en la diminuant par bonds relatifs de
0, 001. Pour chaque nouvelle valeur du paramètre, nous lançons notre algorithme de recherche
de point fixe en utilisant le point fixe trouvé à l’étape précendente comme point de départ de
cet algorithme. Remarquons que rien ne garantit le bon fonctionnement de cette procédure.
L’impossibilité de trouver un point fixe pour une valeur de ρ pourrait indiquer une limite de
notre algorithme ou la présence d’un point de bifurcation. Toutefois, dans le cas précis étudié
ici, nous observons que la valeur du point fixe varie de manière continue en fonction de la
valeur du paramètre ρ.
43
×10 4
1.8
1.6
1.4
Cell volume (um3)
1.2
0.8
0.6
0.4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Relative strength of the ATPase pump
La figure 4.1 montre la volume de la cellule au point fixe étudié en fonction de la force de la
pompe ATPase. Nous observons une très grande augmentation du volume de la cellule lorsque
l’activité de l’ATphase diminue de 0.3 à 0 ; par contre lorsque l’activité de la pompe augmente
de 0.3 à 0.9, le volume augment aussi légèrement. Lorsque la force se rapproche de 0 cette
augmentation s’accèlere. Comme en pratique le volume de la cellule ne peut augmenter au-delà
d’une certaine valeur sans que la membrane ne se déchire, ces simulations indiquent qu’une
baisse trop importante de l’activité de la pompe pourrait conduire à la mort cellulaire par
déchirement de la membrane.
La figure 4.2 quant à elle montre la variation des concentrations d’ions lorsque la force de la
pompe diminue. On constate des variations abruptes lorsque la force de la pompe est réduite
en dessous de 5 pourcent de sa valeur initiale. Les courbes de concentrations s’inversent,
les concentrations de sodium et d’ions chlorure croissent considérablement ceci tandis que la
concentration de potassium croît.
La figure 4.3 illustre l’effet de la baisse de la force de la pompe sur le potentiel de membrane,
44
150
[Na]
[K]
[Cl]
Ionic Concentrations (mM)
100
50
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Relative strength of the ATPase pump
Pour chaque point d’équilibre, nous avons calculé les valeurs de la matrice Jacobienne évaluée
en ce point d’équilibre. Toutes les valeurs propres obtenues étaient réelles et négative. La
dernière figure 4.4 montre la valeur de la plus grande valeur propre en fonction de la force
de la pompe. Comme cette valeur est toujours négative, nous avons que dans la gamme de
paramètres étudiés, le point fixe auquel nous nous sommes intéressés est toujours stable. Par
le théorème d’Hartman-Grobman, ce point fixe se comporte donc localement comme un puit.
Si la plus grande valeur propre était devenue positive pour une certaine valeur de ρ, cela aurait
indiqué la présence d’un point de bifurcation. Un tel phénomène se produit fréquemment dans
les modèles neurones et il aurait été intéressant de découvrir ainsi un point de bifurcation. Le
45
0
-10
-20
-40
-50
-60
-70
-80
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Relative strength of the ATPase pump
fait que ce n’ait pas été le cas est probablement dû à la simplicité du modèle et à l’absence de
canaux tensio-dépendants dans celui-ci.
46
×10 -4
0
-0.2
-0.4
real part of the largest eigen value
-0.6
-0.8
-1
-1.2
-1.4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Relative strength of the ATPase pump
47
Conclusion
En effet, le but de notre étude était de modéliser le volume d’eau dans un astrocyte. Cette
dernière étant une cellule assez petite et dont l’obtention des données fiables pour l’étude
nécessitait l’apport de la microscopie digitale holographique, nous avons commencé par ex-
pliquer en quoi consistait la DHM et tout en précisant son principe de fonctionnement. La
DHM apparaît donc comme est un outil précieux et indispensable pour notre travail et dont
les données assez précises ont été utilisées dans la modélisation numérique afin de rendre notre
modèle plus réaliste.
Ensuite, nous avons parlé des neurones et des astrocytes afin de mieux expliquer leur fonc-
tionnement et de leur rôle capital dans le cerveau, et surtout la nécessité de s’intéresser à la
variation du volume de la membrane de telles cellules dans le processus de détection et de
guérison de certaines pathologies.
Nous nous sommes rendus par la suite dans l’univers des théories mathématiques, pour un
bref rappel sur les outils qui ont accompagné notre travail, plus précisément sur les systèmes
dynamiques, à travers les équations différentielles ordinaires et la théorie des bifurcations qui
ont servi à la construction dans l’étude et l’analyse de notre modèle. Le modèle utilisé a été
assez simplifié, on remarquera que le ph n’est pas beaucoup considéré, cela est dû au fait
qu’on n’a pas de raison de croire a priori que le pH joue un rôle important dans la régulation
volumique car la concentration de protons demeure faible. L’étude était notamment basée sur
la recherche des points fixes et l’étude de leur stabilité : nous avons obtenu un unique point
fixe qui s’est avéré être stable, ce qui justifie quelque peu la variation continue du volume
de la cellule et le maintien en état d’équilibre. Nous n’avons obtenu aucune bifurcation, cela
48
est sûrement dû à la simplicité du modèle ; en le rendant plus complexe, on pourrait en
obtenir, et on expliquerait mieux les causes du dysfonctionnement et même du décès des
astrocytes. Nous avons aussi procédé à des simulations numériques et nous avons constaté que
la variation du paramètre que constitue la pompe ATPase avait un impact assez important
sur la variation du volume de la cellule, des concentrations internes d’ions, ainsi que sur le
potentiel de membrane. Nous avons ainsi observé que le volume de la cellule augmente lorsque
la force de la pompe ATPase est réduite, cela peut conduire à un éclatement de la cellule, on
peut ainsi dire que le point d’équilibre physiologique perd de sa stabilité lorsque les valeurs de
la pompe sont réduites ; d’où l’intérêt de la maintenir à un certain pourcentage pour le bon
fonctionnement de la cellule. L’ajustement d’une telle valeur pourrait permettre d’éviter ou
de soigner certaines pathologies du cerveau causées par le dysfonctionnement des astrocytes
lié à la mauvaise régulation du volume d’eau. Le grand défi serait donc d’ajuster ce paramètre
théorique dans la vie courante et d’appliquer cela à la médecine. Le but de notre travail n’étant
totalement pas atteint dû à l’abscence des bifurcations, une autre étude intéressante serait de
modéliser ce volume sur un modèle contenant le CCC, le rendant ainsi plus complexe.
49
Bibliographie
[1] Oliet Stéphane HR & Piet Richard & Poulain Dominique A. Control of glutamate clea-
rance and synaptic efficacy by glial coverage of neurons. Science, 292(5518) :923–926,
2001.
[2] Ullian Erik M & Sapperstein Stephanie K & Christopherson Karen S & Barres Ben A.
Control of synapse number by glia. Science, 291(5504) :657–661, 2001.
[3] Nadine Bazin. Le vieillissement cognitif des patients atteints de schizophrénie. Geriatrie
et psychologie neuropsychiatrie du vieillissement, 9(3) :337–344, 2011.
[5] Pierre Boss Daniel & Kühn Jonas & Jourdain Pascal & Depeursinge Christian & Ma-
gistretti Pierre J & Marquet. Measurement of absolute cell volume, osmotic membrane
water permeability, and refractive index of transmembrane water and solute flux by digital
holographic microscopy. Journal of biomedical optics, 18(3) :036007–036007, 2013.
[6] Cuche Etienne & Bevilacqua Frederic & Depeursinge Christian. Digital holography for
quantitative phase-contrast imaging. Optics letters, 24(5) :291–293, 1999.
[7] Gleick James & Jeanmougin Christian. La théorie du chaos : vers une nouvelle science.
Albin Michel Paris, 1989.
[8] Marquet Pierre & Rappaz Benjamin & Magistretti Pierre J & Cuche Etienne & Emery
Yves & Colomb Tristan & Depeursinge Christian. Digital holographic microscopy : a
noninvasive contrast imaging technique allowing quantitative visualization of living cells
with subwavelength axial accuracy. Optics letters, 30(5) :468–470, 2005.
[9] Eric Goncalves da Silva. Introduction aux systèmes dynamiques et chaos, 2004.
[10] Laurence F Dayan, Peter & Abbott. Theoretical neuroscience, volume 806. Cambridge,
MA : MIT Press, 2001.
50
[11] Koen Dijkstra. A biophysical model for cytotoxic cell swelling. The Journal of Neuros-
cience, 36(47) :11881–11890, 2016.
[13] Dennis Gabor. Holography, 1948-1971. Proceedings of the IEEE, 60(6) :655–668, 1972.
[14] Dennis & others Gabor. A new microscopic principle. Nature, 161(4098) :777–778, 1948.
[15] Hubbard John H & West Beverly H. Differential equations. In MacMath 9.2, pages 5–17.
Springer, 1993.
[16] J. Hadamard. Lectures on Cauchy’s problem in linear partial differential equations. Dover
Publ., New York, unabridged dover repr. edition, 1952. Nachdr. der Ausg. 1923.
[17] Hüseyin Hale, Jack K. & Koçak. Dynamics and Bifurcations., volume 3. Springer Science
& Business Media, 2012.
[19] Jourdain Pascal & Pavillon Nicolas & Moratal Corinne & Boss Daniel & Rappaz Benjamin
& Depeursinge Christian & Marquet Pierre & Magistretti Pierre J. Determination of
transmembrane water fluxes in neurons elicited by glutamate ionotropic receptors and by
the cotransporters kcc2 and nkcc1 : a digital holographic microscopy study. Journal of
Neuroscience, 31(33) :11846–11854, 2011.
[20] Marquet Pierre & Depeursinge Christian & Magistretti Pierre J. Review of quantita-
tive phase-digital holographic microscopy : promising novel imaging technique to resolve
neuronal network activity and identify cellular biomarkers of psychiatric disorders. Neu-
rophotonics, 1(2) :020901–020901, 2014.
[21] Scamps F & Pieraut S & Valmier J. Homéostasie chlorure et cotransporteurs cation-
chlorure, douleur et nociception. Douleur et analgésie, 21(4) :203–208, 2008.
[22] Alm Kersti & Cirenajwis Helena & Gisselsson Lennart & Gjörloff Wingren Anette &
Janicke Birgit & Mölder Anna & Oredsson Stina & Persson Johan. Digital holography
and cell studies. In Tech, 2011.
[23] Yuri A Kuznetsov. Elements of applied bifurcation theory. Springer Verlag, 2004.
[24] Hirsch Morris W & Smale Stephen & Devaney Robert L. Differential equations, dynamical
systems, and an introduction to chaos. Academic press, 2012.
51
[26] Dayan Peter & Abbott LF. Theoretical neuroscience : computational and mathematical
modeling of neural systems. Journal of Cognitive Neuroscience, 15(1) :154–155, 2003.
[27] A Lima. Astrocyte pathology in the prefrontal cortex impairs the cognitive function of
rats. Molecular Psychiatry, 19(7) :834–841, 2014.
[28] Blows Terence R & Perko Lawrence M. Bifurcation of limit cycles from centers and
separatrix cycles of planar analytic systems. Siam Review, 36(3) :341–376, 1994.
[29] Gerstner Wulfram & Kistler Werner M. Spiking neuron models : Single neurons, popula-
tions, plasticity. Cambridge university press, 2002.
[30] Malatesta Paolo & Hartfuss Eva & Gotz M. Isolation of radial glial cells by fluorescent-
activated cell sorting reveals a neuronal lineage. Development, 127(24) :5253–5263, 2000.
[31] Yuan Zhiliang & Kardynal Beata E & Stevenson R Mark & Shields Andrew J & Lobo
Charlene J & Cooper Ken & Beattie Neil S & Ritchie David A & Pepper Michael. Elec-
trically driven single-photon source. Science, 295(5552) :102–105, 2002.
[33] Lawrence Perko. Differential equations and dynamical systems. Springer-Verlag, distri-
buted by the American Mathematical Society, 1990.
[34] Barbara A Pfrieger, Frank W & Barres. Synaptic efficacy enhanced by glial cells in vitro.
Science, 277(5332) :1684–1687, 1997.
[35] Frank W Pfrieger. Role of cholesterol in synapse formation and function. Biochimica et
Biophysica Acta (BBA)-Biomembranes, 1610(2) :271–280, 2003.
[36] Noctor Stephen C & Flint Alexander C & Weissman Tamily A & Dammerman Ryan S
& Kriegstein Arnold R. Neurons derived from radial glial cells establish radial units in
neocortex. Nature, 409(6821) :714–720, 2001.
[37] Campbell Stephen L & Haberman Richard. Introduction to differential equations with
dynamical systems. Princeton university press, 2011.
[38] F Scamps. Cs02 régulation et rôle des co-transporteurs cation-chlorure dans la douleur
neuropathique. Douleurs : Evaluation-Diagnostic-Traitement, 8 :12, 2007.
[39] John Raymond Smythies. The dynamic neuron : A comprehensive survey of the neuro-
chemical basis of synaptic plasticity. MIT Press, 2002.
52
[40] Smit August B & Syed Naweed I & Schaap Dick & van Minnen Jan & Klumperman Judith
& Kits Karel S & Lodder Hans & van der Schors Roel C & van Elk René & Sorgedrager
Bertram & others. A glia-derived acetylcholine-binding protein that modulates synaptic
transmission. Nature, 411(6835) :261–268, 2001.
[41] Mauch Daniela H & Nägler Karl & Schumacher Stefan & Göritz Christian & Müller
Eva-Christina & Otto Albrecht & Pfrieger Frank W. Cns synaptogenesis promoted by
glia-derived cholesterol. Science, 294(5545) :1354–1357, 2001.
[42] Nägler Karl & Mauch Daniela H & Pfrieger Frank W. Glia-derived signals induce synapse
formation in neurones of the rat central nervous system. The Journal of physiology,
533(3) :665–679, 2001.
[43] Frits Zernike. Phase contrast, a new method for the microscopic observation of transparent
objects. Physica, 9(7) :686–698, 1942.
53