cortex-visuel-réseaux-neurones-stimulation
En utilisant leur meilleur modèle actuel de réseaux de neurones visuels du cerveau, des chercheurs du MIT ont conçu un nouveau moyen de contrôler avec précision les neurones individuels et les populations de neurones situés au milieu de ce réseau. Dans une étude sur les animaux, l’équipe a ensuite montré que les informations tirées du modèle informatique leur permettaient de créer des images qui activaient des neurones de leur choix dans un cerveau.

Contrôler des neurones via un réseaux artificiels

Ces résultats suggèrent que les versions actuelles de ces modèles sont suffisamment similaires au cerveau pour pouvoir être utilisées pour contrôler les états cérébraux chez les animaux. Cette étude aide également à établir l’utilité de ces modèles de vision, qui ont suscité un vif débat quant à savoir s’ils imitent exactement le fonctionnement du cortex visuel, explique James DiCarlo, chef du département des sciences cognitives et cognitives du MIT, chercheur à l’Institut McGovern pour la recherche sur le cerveau.
«Les gens se sont demandé si ces modèles permettaient de comprendre le système visuel du cerveau (ou cortex visuel)», dit-il. «Plutôt que de débattre du point de vue académique, nous avons montré que ces modèles sont déjà suffisamment puissants pour permettre d’importantes nouvelles applications. Que vous compreniez ou non le fonctionnement de ces modèles, ils sont déjà utilent dans ce sens. Les postdocs du MIT, Pouya Bashivan et Kohitij Kar, sont les auteurs principaux de l’article, qui paraît dans l’édition en ligne dans Science.

Le contrôle neural

Au cours des dernières années, DiCarlo et d’autres ont développé des modèles du système visuel basés sur des réseaux de neurones artificiels. Chaque réseau débute par une architecture arbitraire composée de neurones modèles, ou nœuds, qui peuvent être connectés les uns aux autres avec d’différentes forces, également appelées poids.
Les chercheurs forment ensuite les modèles depuis une bibliothèque de plus d’un million d’images. Au fur et à mesure que les chercheurs montrent au modèle chacune des images, ainsi qu’une étiquette pour l’objet le plus important, tel qu’un avion ou une chaise, le modèle apprend à reconnaître des objets en modifiant les points forts de ses connexions.
Il est difficile de déterminer exactement comment le modèle obtient ce type de reconnaissance, mais DiCarlo et ses collègues ont déjà montré que les «neurones» de ces modèles produisent des modèles d’activités très similaires à ceux observés dans le cortex visuel animal en réponse aux mêmes images.
Dans cette nouvelle étude, les chercheurs ont voulu vérifier si leurs modèles pouvaient exécuter certaines tâches qui n’avaient pas encore été montrées. En particulier, ils voulaient voir si les modèles pouvaient être utilisés pour contrôler l’activité neuronale dans le cortex visuel des animaux.
« Jusqu’à présent, ce qui a été fait avec ces modèles, c’est de prédire quelles seraient les réponses neuronales qu’ils n’avaient pas vues auparavant », déclare Bashivan. « La principale différence ici est que nous allons encore plus loin et utilisons nos modèles pour orienter les neurones dans des états souhaités. »
Pour y parvenir, les chercheurs ont d’abord créé une carte une à une des neurones situés dans l’espace visuel du cerveau V4 par rapport aux nœuds du modèle informatique. Ils l’ont fait en montrant des images aux animaux et aux modèles et en comparant leurs réponses aux mêmes images. Il existe des millions de neurones dans la zone V4, mais pour cette étude, les chercheurs ont créé des cartes pour les sous-populations de 5 à 40 neurones à la fois.
«Une fois que chaque neurone a une assignation, le modèle vous permet de faire des prédictions sur ce neurone», explique DiCarlo.
Les chercheurs ont ensuite essayé de déterminer s’ils pouvaient utiliser ces prévisions pour contrôler l’activité des neurones individuels dans le cortex visuel. Le premier type de contrôle, qu’ils ont appelé «étirement», consiste à montrer une image qui stimulera l’activité d’un neurone spécifique bien au-delà de l’activité habituellement générée par des images «naturelles» similaires à celles utilisées pour entraîner les réseaux de neurones.
Les chercheurs ont constaté que lorsqu’ils présentaient aux animaux ces images «synthétiques», créées par les modèles et ne ressemblant pas à des objets naturels, les neurones cibles répondaient comme prévu. En moyenne, les neurones ont montré une activité environ 40% supérieure en réponse à ces images par rapport aux images naturelles comme celles utilisées pour entraîner ce modèle. Ce type de contrôle n’a jamais été signalé auparavant.

« Une réalisation incroyable »

«Le fait qu’ils aient réussi à faire cela est vraiment incroyable. C’est comme si, pour ce neurone du moins, son image idéale devenait soudainement nette. Le neurone a subitement présenté le stimulus qu’il avait toujours recherché », explique Aaron Batista, professeur agrégé de bio-ingénierie à l’Université de Pittsburgh, qui n’a pas participé à cette étude. «C’est une idée remarquable, et la concrétiser est tout un exploit. C’est peut-être la validation la plus forte à ce jour de l’utilisation de réseaux de neurones artificiels pour comprendre les réseaux de neurones réels. »
Dans un ensemble d’expériences similaires, les chercheurs ont tenté de générer des images qui activeraient au maximum un neurone tout en limitant l’activité des neurones voisins. Pour la plupart des neurones qu’ils ont testés, les chercheurs ont pu augmenter l’activité du neurone cible avec une faible augmentation de l’activité des neurones environnants.
«Une tendance commune dans le domaine des neurosciences est que la collecte de données expérimentales et la modélisation informatique sont exécutées de manière quelque peu indépendante, ce qui entraîne très peu de validation du modèle et donc aucun progrès mesurable. Nos efforts redonnent vie à cette approche en faisant appel aux prévisions des modèles et aux mesures neuronales qui sont essentielles au succès du test des modèles, qui ressemblent le plus au cerveau », a déclaré Kar.

Précision des mesures

Les chercheurs ont également démontré qu’ils pouvaient utiliser ce modèle pour prédire comment les neurones de la zone V4 réagiraient devant des images synthétiques. La plupart des précédents tests de ces modèles ont utilisé le même type d’images naturalistes que celles utilisées pour former le modèle. L’équipe du MIT a constaté que leurs modèles permettaient de prédire comment le cerveau réagirait aux images synthétiques avec une précision de près de 54%, par rapport à une précision de près de 90% lorsque les images naturelles étaient utilisées.
«Dans un sens, nous quantifions la précision avec laquelle ces modèles permettent de faire des prédictions en dehors du domaine dans lequel ils ont été formés», déclare Bashivan. « Idéalement, ce modèle devrait être capable de prédire avec précision, peu importe ce qu’il voit. »
Les chercheurs espèrent maintenant améliorer la précision de leurs modèles en leur permettant d’intégrer de nouvelles informations apprises en visionnant des images de synthèse, ce qui n’a pas été fait dans cette étude.

Une approche pour traiter les troubles de l’humeur

Ce type de contrôle pourrait être utile aux neuroscientifiques qui souhaitent étudier la manière dont différents neurones interagissent les uns avec les autres et comment ils pourraient être connectés, expliquent les chercheurs. Plus loin dans le futur, cette approche pourrait potentiellement être utile pour traiter les troubles de l’humeur telle que la dépression. Les chercheurs travaillent actuellement à l’extension de leur modèle au cortex inférotemporal qui est impliquée dans le traitement des émotions.
«Si nous avions un bon modèle de neurones engagés dans des émotions ou provoquant divers types de troubles, nous pourrions utiliser ce modèle pour les amener de manière à contribuer à l’amélioration de ces troubles», déclare Bashivan.
Source : MIT
Crédit photo : Pixabay