Une étude montre qu’un modèle simple et léger sur le plan informatique peut simuler des réponses complexes des cellules cérébrales

Le cerveau est incontestablement l’organe le plus important du corps humain. Il contrôle la façon dont nous bougeons, réagissons, pensons et ressentons, et nous permet d’avoir des émotions et des souvenirs complexes. Le cerveau est composé d’environ 86 milliards de neurones qui forment un réseau complexe. Ces neurones reçoivent, traitent et transfèrent des informations à l’aide de signaux chimiques et électriques.

Apprendre comment les neurones réagissent à différents signaux peut approfondir la compréhension de la cognition et du développement et améliorer la gestion des troubles cérébraux. Mais l’étude expérimentale des réseaux de neurones est une démarche complexe et parfois invasive. Les modèles mathématiques fournissent un moyen non invasif pour accomplir la tâche de comprendre les réseaux neuronaux, mais la plupart des modèles actuels sont soit trop intensifs en calcul, soit ils ne peuvent pas simuler de manière adéquate les différents types de réponses neuronales complexes. Dans une étude récente, publiée dans Théorie non linéaire et ses applications, IEICEune équipe de recherche dirigée par le professeur Tohru Ikeguchi de l’Université des sciences de Tokyo, a analysé certaines des réponses complexes des neurones dans un modèle de neurone informatiquement simple, le modèle de neurone Izhikevich.

« Mon laboratoire est engagé dans la recherche sur les neurosciences et cette étude analyse les propriétés mathématiques de base d’un modèle de neurone. Bien que nous ayons analysé un seul modèle de neurone dans cette étude, ce modèle est souvent utilisé en neuroscience computationnelle, et toutes ses propriétés n’ont pas été clarifié. Notre étude comble cette lacune », explique le professeur Ikeguchi. L’équipe de recherche comprenait également M. Yota Tsukamoto et Ph.D. l’étudiante Mme Honami Tsushima, également de l’Université des sciences de Tokyo.

Les réponses d’un neurone à une entrée sinusoïdale (un signal en forme d’onde sinusoïdale, qui oscille régulièrement et périodiquement) ont été clarifiées expérimentalement. Ces réponses peuvent être périodiques, quasi-périodiques ou chaotiques. Des travaux antérieurs sur le modèle neuronal d’Izhikevich ont démontré qu’il peut simuler les réponses périodiques des neurones. « Dans ce travail, nous avons analysé le comportement dynamique du modèle de neurone d’Izhikevich en réponse à un signal sinusoïdal et avons constaté qu’il présentait non seulement des réponses périodiques, mais également des réponses non périodiques », explique le professeur Ikeguchi.

L’équipe de recherche a ensuite analysé quantitativement le nombre de types différents d ‘«intervalles inter-pointes» présents dans l’ensemble de données, puis l’a utilisé pour faire la distinction entre les réponses périodiques et non périodiques. Lorsqu’un neurone reçoit une quantité suffisante de stimulus, il émet des « pics », transmettant ainsi un signal au neurone suivant. L’intervalle inter-pointes fait référence à l’intervalle de temps entre deux pointes consécutives.

Ils ont découvert que les neurones fournissaient des réponses périodiques aux signaux qui avaient des amplitudes supérieures à une certaine valeur seuil et que les signaux inférieurs à cette valeur induisaient des réponses non périodiques. Ils ont également analysé en détail la réponse du modèle de neurone d’Izhikevich à l’aide d’une technique appelée « points d’observation stroboscopiques », qui les a aidés à identifier que les réponses non périodiques du modèle de neurone d’Izhikevich étaient en fait des réponses quasi-périodiques.

Interrogé sur les implications futures de cette étude, le professeur Ikeguchi a déclaré : « Cette étude était limitée au modèle d’un seul neurone. À l’avenir, nous préparerons de nombreux modèles de ce type et les combinerons pour clarifier le fonctionnement d’un réseau neuronal. Nous préparera également deux types de neurones, les neurones excitateurs et inhibiteurs, et les utilisera pour imiter le cerveau réel, ce qui nous aidera à comprendre les principes du traitement de l’information dans notre cerveau. »

L’utilisation d’un modèle simple pour des simulations précises de la réponse neuronale est une avancée significative dans ce domaine de recherche passionnant et éclaire la voie vers la compréhension future des troubles cognitifs et développementaux.