An Investigation on the Dynamics of Epileptic Networks and Mechanisms Underlying Different Ictal Patterns

L'étude de la dynamique des activités ictales aussi bien que les mécanismes sous-jacents qui les génèrent sont d'une importance cruciale pour améliorer notre compréhension de l'ictogénèse. Les crises ont déjà été étudiées pour comprendre les transitions d'états ictaux; cependant, ces tentatives ont généré des résultats contradictoires. Par exemple, certains résultats indiquent une connectivité très variable pendant les crises et une connectivité relativement stable dans les périodes pré-ictale et post-ictale [1] tandis que d'autres ont trouvé des changements rapides dans la géométrie du réseau aux moments de pré-crise et des changements géométriques plus lents pendant l'activité ictale ou aucune différence significative entre les taux de transition d'état ictale, pré-ictale et post-ictale [2,3]. Ces observations discordantes nous ont amenés à réexaminer la dynamique des transitions d'état au cours des crises. La transition des activités interictales aux activités ictales a également été largement étudiée pour améliorer notre compréhension des mécanismes sous-jacents de la génération de crises. Cependant, il est méconnu si les crises avec des patrons EEG distincts lors de leur initiation sont précédées par des interactions de réseau variables et si différents mécanismes neurophysiologiques sous-tendent des crises avec patrons EEG distincts lors de leur initiation. Pour mieux comprendre comment le cerveau épileptique en tant que système dynamique module ses états, en utilisant différentes mesures de connectivité fonctionnelle, nous avons identifié des modèles d'états récurrents et étudié la dynamique des transitions d'états ictales à différentes échelles : localement et globalement. Nos résultats pointent vers des dynamiques distinctes pour les transitions d'état à ces différentes échelles spatiales. Alors que le modèle de transitions d'état global a conduit à la conclusion que le cerveau change d'état moins fréquemment pendant l'activité ictale, localement, il a subi un taux plus élevé de transitions d'état. De plus, nos résultats montrent différents modèles de transitions d'état dans la zone d'apparition des crises entre les patients sans crise (SC) et avec crise (AC) en postopératoire, ce qui pourraient avoir une application pratique dans la prédiction des résultats chirurgicaux (Chapitre 4, Article 1 ). Nous avons approfondi l'étude des transitions d'état ictal et étudié la transition des activité interictales aux activité ictales. Plus précisément, nous avons exploré si les interactions du réseau avant la génération de crises avec différents patrons EEG lors de leur initiation. À cette fin, nous avons classé 103 crises EEG intracrâniennes de 20 patients atteints d'épilepsie focale résistante aux médicaments basés sur le patron EEG lors de leur initiation. Nous avons ensuite étudié les interactions du réseau avant leur génération en calculant des matrices de connectivité fonctionnelle dirigée. Nos observations suggèrent qu'à l'échelle du réseau, différentes interactions précèdent la génération de crises avec patron EEG distinct lors de leur initiation (chapitre 5, article 2). Ce résultat a soulevé une question importante quant à savoir si différents mécanismes physiologiques sous-tendent la génération de crises avec patron EEG distinct lors de leur initiation? En utilisant un modèle informatique qui prend en compte certains des événements physiologiques les plus pertinents (par exemple, le blocage de la dépolarisation, l'effondrement et la récupération de l'activité inhibitrice) et différents scénarios d'activité excitatrice-inhibitrice déséquilibrée, nous avons abordé cette question et exploré si les crises avec patron EEG distinct lors de leur initiation proviennent de différents mécanismes sous-jacents. Nos résultats de modélisation ont révélé que, selon le niveau d'excitation, des crises pourraient potentiellement être générées en raison à la fois de l'augmentation et de l'effondrement de l'inhibition pour des gammes de paramètres spécifiques. Alors que l'effondrement de l'inhibition a été largement rapporté comme un mécanisme principal sous-jacent à la génération de crises [4–7], certaines études expérimentales ont abordé l'augmentation de l'activité inhibitrice avant et au tout début des activités ictales [8–14]. Notre approche de modélisation pourrait unifier ces mécanismes apparemment contradictoires suggérés par les études expérimentales précédentes pour l'implication de l'activité inhibitrice dans la génération de crises [4–11,13,14] et reproduit avec succès certains des modèles d'apparition de crises couramment observés. Nos résultats ont indiqué que les crises avec patron EEG distinct lors de leur initiation peuvent, en fait, résulter de différents mécanismes sous-jacents (chapitre 6, article 3). Dans l'ensemble, dans cette thèse, nous avons étudié la dynamique et la génération d'événements ictales à différentes échelles et sous différentes perspectives. Nous avons exploré différentes mesures fonctionnelles de connectivité de réseau pour mieux comprendre les transitions d'état ictale. Ensuite, les crises avec patron EEG distinct lors de leur initiation ont été classées et étudiées pour voir si différentes interactions de réseau précèdent leur génération. Enfin, en construisant un modèle, nous avons étudié les mécanismes qui pourraient générer des crises avec patrons EEG distincts lors de leur initiation et suggéré des voies pour la génération de crises qui pourraient expliquer certains mécanismes de génération de crises contradictoires observés dans les expériences.

Abstract

Studying the dynamic of ictal activities as well as the underlying mechanisms generating them are of crucial importance for enhancing our understanding of ictogenesis. Seizures have previously been investigated to understand ictal state transitions; however, these attempts have generated conflicting results. For instance, some findings point towards highly varying connectivity during seizures and relatively stable connectivity in pre-ictal and post-ictal periods [1] while others have found rapid changes in network geometry in pre-seizure epochs and slower geometric changes during ictal activity or no significant differences among the ictal, pre-ictal and post-ictal state transition rates [2,3]. These discrepant observations led us to reexamine the dynamic of state transitions during seizures. The transition from interictal into ictal activities has also been widely investigated to enhance our understanding of the underlying mechanisms of seizure generation. However, it remains largely unclear whether seizures with distinct onset patterns are preceded by varying network interactions and whether different neurophysiological mechanisms underly different seizure onset patterns. To better understand how the epileptic brain as a dynamical system modulates its states, using different functional connectivity measures, we identified patterns of recurrent states and investigated the dynamic of ictal state transitions on different scales: locally and globally. Our findings point towards distinct dynamics for state transitions at these different spatial scales. While the pattern of global state transitions led to the conclusion that the brain changes state less frequently during ictal activity, locally, it underwent a higher rate of state transitions. Further, our results show different patterns of state transitions in the seizure-onset-zone between seizure-free (SF) and non-seizure-free (NSF) patients which could have a practical application in predicting surgical outcome (Chapter 4, Article 1). We further expanded the study of ictal state transitions and investigated the transition from interictal to ictal patterns. More precisely, we explored if the network interactions before the generation of seizures with different onset patterns vary. To this end, we classified seizure onset patterns of 103 intracranial EEG seizures from 20 patients with drug-resistant focal epilepsy. We then surveyed network interactions prior to the generation of distinct seizure onset patterns by calculating directed functional connectivity matrices. Our observations suggest that, at the network scale, different interactions precede the generation of different seizure onset patterns (Chapter 5, Article 2). This result raised an important question of whether different physiological mechanisms underly different seizure onset patterns? By employing a computational framework that takes into account some of the most relevant physiological events (e.g., depolarization block, collapse, and recovery of inhibitory activity) and different scenarios of imbalanced excitatory-inhibitory activity, we addressed this question and explored whether seizures with different onset patterns stem from different underlying mechanisms. Our modeling results revealed that, depending on the excitation level, seizures could potentially be generated due to both enhancement and collapse of inhibition for specific ranges of parameters. While the collapse of inhibition has been widely reported as a main mechanism underlying seizure generation [4–7], some experimental studies have addressed the enhanced inhibitory activity before and at the very onset of ictal activities [8–14]. Our modeling approach could unify these seemingly contradictory mechanisms suggested by the previous experimental studies for the involvement of inhibitory activity in seizure generation [4–11,13,14] and successfully reproduced some of the commonly observed seizure onset patterns. Our findings indicated that different onset patterns can, in fact, arise from different underlying mechanisms (Chapter 6, Article 3). Taken together as a whole, in this thesis we investigated the dynamic and generation of ictal events at different scales and from different perspectives. We explored different functional network connectivity measures to better understand the ictal state transitions. Then, seizure onset patterns were classified and investigated to see if different network interactions precede seizures with different onset patterns. Finally, by constructing a computational model, we investigated the mechanisms that could generate seizures with different onset patterns and suggested pathways for seizure generation that could explain some contradicting seizure generation mechanisms observed in experiments.