Les recherches scientifiques nous permettent de mieux comprendre le fonctionnement de l’organe complexe qu’est notre cerveau et celui de ses 86 à 100 milliards de neurones. Des chercheurs de l’Université Carnegie Mellon, de l’Albert Einstein College of Medicine et de la Fondation Champalimaud travaillent depuis plus de 10 ans pour mieux comprendre le flux de communication dans le cerveau et ont développé récemment une nouvelle méthode statistique, Delayed Latents Across Groups (DLAG). Ils présentent leurs travaux dans l’étude « Disentangling the flow of signals between populations of neurons » publiée dans Nature Computational Science, le 18 août dernier.
Le cerveau est essentiel au fonctionnement du corps humain, les flux de communication neuronaux nous permettent d’interagir avec le monde qui nous entoure : le goût, le toucher, la vue, l’audition et l’odorat sont ainsi transmis par les neurones via les flux sensoriels. Les interactions entre de grandes collections de neurones qui se déclenchent simultanément dans le cerveau nous permettent de voir, entendre, sentir ou marcher.
Démêler le flux simultané et bidirectionnel de signaux entre les populations de neurones
Pour démêler les signaux relayés entre les zones du cerveau, même lorsque la communication entre les zones du cerveau est bidirectionnelle, l’équipe de recherche a développé nouvelle méthode statistique, nommée Delayed Latents Across Groups (DLAG).
Evren Gokcen, étudiant diplômé en génie électrique et informatique à Carnegie Mellon, explique :
« La méthode que nous avons développée, DLAG, s’inscrit dans la catégorie plus large de l’apprentissage automatique ou des méthodes statistiques qui examinent les signaux neuronaux de haute dimension. L’aspect nouveau est d’identifier les modèles d’activité qui sont partagés entre différentes zones du cerveau ».
Il ajoute :
« Pendant des décennies, les études se sont concentrées sur l’enregistrement d’un ou d’une poignée de neurones d’une zone du cerveau à la fois. Mais avec les progrès de la technologie d’enregistrement neuronal, le goulot d’étranglement s’est déplacé vers la capacité d’analyser et d’interpréter les enregistrements de grandes populations de neurones provenant de plusieurs zones du cerveau. »
Les modèles d’activité permettent d’appréhender la façon dont les neurones coordonnent leur activité les uns avec les autres. L’identification des modèles d’activité impliqués dans la communication entre différentes zones du cerveau comporte plusieurs défis, l’un est dû au fait que cette communication se produit généralement de manière bidirectionnelle et simultanée.
Evren Gokcen explique la démarche de l’équipe :
« Pour progresser dans la communication démêlée, nous avons tiré parti d’un aperçu simple : vous ne pouvez pas envoyer de signaux instantanément ; il faut un certain temps pour que l’information circule. La vidéoconférence est un excellent point de référence lorsqu’on pense à un retard dans la communication; c’est similaire dans le cerveau. Avec DLAG, nous exploitons ce délai, donc si le signal apparaît d’abord dans la zone A puis dans la zone B, nous prenons cela comme signifiant que la zone A a envoyé le signal à la zone B. En utilisant la méthode DLAG, nous pouvons séparer les signaux relayés simultanément. »
Les résultats de l’étude
Les chercheurs ont démontré que DLAG fonctionne bien sur des ensembles de données synthétiques similaires à l’échelle des enregistrements neurophysiologiques actuels. Ensuite, ils ont étudié simultanément les populations enregistrées dans les zones visuelles des primates V1 et V2, où DLAG révèle des signatures de communication bidirectionnelle mais sélective. Leur cadre jette les bases pour disséquer le flux complexe de signaux à travers les populations de neurones, et comment cette signalisation contribue au calcul cortical.
DLAG pourrait être utilisé pour d’autres applications des neurosciences, comme la compréhension de l’interaction entre différents types de cellules les neurones ou entre différentes couches du cerveau.
Byron YU, professeur de génie biomédical et de génie électrique et informatique à Carnegie Mellon, conclut :
« L’introduction de DLAG est comme l’introduction d’un scalpel pour obtenir des informations potentiellement plus approfondies sur la façon dont les zones du cerveau communiquent entre elles. Parallèlement à cet article, nous mettons notre code source à la disposition d’autres membres de la communauté scientifique. DLAG peut être utilisé pour étudier d’autres systèmes cérébraux en dehors du système visuel où nous nous sommes concentrés, par exemple pour étudier la mémoire, la prise de décision et le contrôle moteur. »
Sources de l’article :
“Disentangling the flow of signals between populations of neurons”
Etude publiée le 18 août 2022 dans Nature Computational Science,
doi.org/10.1038/s43588-022-00282-5
Auteurs et affiliations :
- Département de génie électrique et informatique, Université Carnegie Mellon, Pittsburgh, PA, États-Unis : Evren Gokcen, João D. Semedo et Byron M. Yu;
- Dominick Purpura Département de neurosciences, Albert Einstein College of Medicine, New York, NY, États-Unis : Anna I. Jasper, Amin Zandvakili et Adam Kohn;
- Département d’ophtalmologie et des sciences visuelles, Albert Einstein College of Medicine, New York, NY, États-Unis : Adam Kohn;
- Département de biologie des systèmes et de l’informatique, Albert Einstein College of Medicine, New York, NY, États-Unis : Adam Kohn;
- Champalimaud Neuroscience Programme, Fondation Champalimaud, Lisbonne, Portugal : Christian K. Machens;
- Département de génie biomédical, Université Carnegie Mellon, Pittsburgh, PA, États-Unis : Byron M. Yu.
