Thèse le Traitement Prédictif dans le Spectre de l'Autisme une Étude Multi-Niveaux de l'Apprentissage Statistique H/F - Doctorat.Gouv.Fr

Établissement : Université Claude Bernard Lyon 1 École doctorale : NSCo - Neurosciences et Cognition Laboratoire de recherche : CRNL - CENTRE DE RECHERCHE EN NEUROSCIENCES DE LYON Direction de la thèse : Dezso NEMETH ORCID 0000000296295856 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-31T23:59:59 Le trouble du spectre de l'autisme (TSA) est une condition neurodéveloppementale extrêmement hétérogène qui, malgré des recherches approfondies, reste principalement définie à un niveau clinique, sans modèle mécanistique unifié permettant d'expliquer la diversité de ses manifestations cognitives, comportementales et perceptives (DSM-5). Le cadre du traitement prédictif (predictive processing) s'est imposé comme un candidat prometteur, dans la mesure où il pourrait rendre compte de l'ensemble des caractéristiques du TSA (Sinha, 2014). Selon ce cadre, le cerveau ajuste en permanence ses modèles internes de l'environnement en intégrant les connaissances préalables (priors) avec les informations sensorielles entrantes (Friston, 2010).Dans le cas de l'autisme, plusieurs théories suggèrent que des différences dans l'interaction entre les priors et les entrées sensorielles conduisent à une anticipation atypique des événements futurs ; toutefois, les résultats empiriques restent à ce jour peu concluants (Angeletos, 2023). Ces incohérences reflètent probablement des limites méthodologiques, notamment une dépendance excessive aux seules mesures comportementales, l'absence de marqueurs neuronaux au niveau des processus, ainsi qu'une prise en compte insuffisante de l'hétérogénéité au sein du spectre autistique.L'objectif général de ce projet est de dépasser ces limites en intégrant trois avancées méthodologiques complémentaires afin de mieux caractériser la variabilité du traitement prédictif au sein du spectre autistique.Premièrement, nous adopterons une approche dimensionnelle du TSA en examinant les variables d'intérêt en fonction des traits autistiques, ce qui permettra de mieux capturer la variabilité interindividuelle et de soutenir l'utilisation d'analyses multivariées étendues (Landry, 2016). Cette stratégie sera complétée par des méthodes exploratoires guidées par les données (par exemple, clustering, analyses en profils latents) susceptibles de mettre en évidence des phénotypes cognitifs et neuronaux distincts au sein du spectre.Deuxièmement, nous utiliserons l'électroencéphalographie (EEG) afin d'explorer les mécanismes neuronaux sous-jacents au traitement prédictif. En complément d'un ensemble robuste de marqueurs classiques, nous analyserons les ondes progressives (travelling waves), qui rendent compte de la propagation spatio-temporelle de l'activité corticale et ont été proposées comme indices des échanges hiérarchiques impliqués dans le traitement prédictif (Cruddas, 2026 ; Alamia & VanRullen, 2019).Enfin, nous ajusterons les données à un modèle bayésien hiérarchique non paramétrique développé par mon superviseur, le Professeur Németh, en collaboration avec le Professeur Peter Dayan, et déjà validé pour l'étude du traitement prédictif chez des individus neurotypiques (Élteto et al., 2022). Cette approche permet d'estimer les paramètres latents d'apprentissage sous-jacents à la mise à jour des croyances dans le TSA. Autism Spectrum Disorder (ASD) is a highly diverse neurodevelopmental condition that, despite extensive research, remains defined primarily at a clinical level, with no unifying mechanistic account explaining its cognitive, behavioural, and perceptual diversity (DSM5). The predictive processing framework has emerged as a promising candidate, as it holds the potential to explain the full range of ASD's features (Sinha 2014). Predictive processing posits that the brain adjusts internal models of the environment by integrating prior knowledge with incoming sensory input (Friston 2010). Regarding autism, several theories assume that differences in the interplay between priors and sensory inputs lead to atypical anticipation of future events, however, empirical findings remain inconclusive (Angeletos 2023). These inconsistencies likely reflect methodological limitations, including a heavy reliance on behavioral measures alone, the lack of process-level neural markers, and insufficient consideration of heterogeneity across the autism spectrum. The overarching aim of this project is to address these limitations by integrating three complementary methodological advances to clarify how predictive processing varies across the autism spectrum. this project aims to refine predictive processing accounts of ASD, by addressing four hierarchical questions: (1) How does predictive processing vary across individuals along the autism spectrum at behavioural, neural and computational levels?(2) Under which environmental conditions do these differences in predictive learning emerge ?(3) To what extent are these learning differences related to autistic manifestations and symptoms?(4) Do distinct, data-driven neurocognitive profiles emerge beyond traditional diagnostic categories? The first study will examine statistical learning using the Alternating Serial Reaction Time (ASRT) task (Farkas et al., 2022), a well-established paradigm in which regularities are embedded within noise. To characterize the temporal dynamics of predictive processing, we will combine behavioral measures (reaction times, accuracy), EEG markers (Event-related potentials, phase synchronization, travelling waves), and computational modeling applied to both behavioral and neural data. This integrated approach directly leverages the expertise of Dr. Németh's research group in advanced EEG analysis and computational modeling.The second study will investigate predictive learning in contexts with manipulated environmental demands. The task will include conditions varying in presentation speed, probabilistic uncertainty, and volatility. It will be implemented in both auditory and visual modalities, allowing a transmodal assessment of predictive mechanisms. Building on Dr. Sapey-Triomphe's expertise, statistical learning will be assessed using behavioural performance and neural frequency tagging, providing an online neural index of learning. The study will also examine how learning differences relate to autistic traits and symptoms severity. Both studies will include autistic and neurotypical adults spanning a continuous range of autistic traits, assessed with the Autism Quotient. To support our dimensional approach, the target sample size exceeds 150 participants, with overlapping samples across studies. Recruitment is deliberately designed to capture maximum variability across the Autism Quotient continuum, ensuring sufficient power for data-driven analyses. Moreover, because hierarchical Bayesian modeling inherently pools variance across participants, it provides robust parameter estimation even for complex, multivariate designs. This sample size is further validated by a priori power analyses informed by previous sequence-learning studies (e.g., Henin, 2021, Hann 2025).

Formation en neurosciences cognitives, psychologie expérimentale ou domaine connexeSolides compétences en analyse de données (idéalement en R, Python ou MATLAB)Intérêt marqué pour la modélisation computationnelle et les approches bayésiennesExpérience ou intérêt pour l'EEG et l'analyse de signaux neurophysiologiquesRigueur scientifique, autonomie et capacité à conduire des analyses complexesBonnes capacités de communication scientifique, à l'oral comme à l'écrit (anglais requis)