Les neuroscientifiques travaillent actuellement avec diligence pour comprendre la dynamique de milliers de neurones couplés. Comprendre leur fonctionnement nécessite des modèles précis. Le problème est que chacun des modèles neuroscientifiques existants a ses propres lacunes. Les physiciens russes ont, pour la première fois, développé une méthode efficace pour résoudre les équations d'un modèle dynamique théorique bien connu des neurosciences et le rendre plus pertinent sur le plan biologique.
Ces résultats viennent d'être publiés dans EPJ Plus par Eugene Postnikov et Olga Titkova de l'Université d'État de Koursk, Russie. Ils pourraient non seulement aider à résoudre des problèmes dans les neurosciences, mais pourrait également fournir une meilleure compréhension de l'activité neuronale dans le secteur émergent de la dynamique neurovasculaire, qui décrit l'interaction entre les neurones du cerveau et le flux sanguin.
Le modèle de neurosciences le plus biologiquement précis est le modèle Hodgkin-Huxley (HH) de 1952, qui a valu à ses inventeurs le prix Nobel de physiologie et médecine en 1963. Ce modèle permet de comprendre la dynamique des neurones en tant qu'objets physiques similaires aux circuits électriques. Par contre, le modèle théorique le plus répandu est le modèle FitzHugh-Nagumo (FHN), un modèle qualitatif reproduisant les principales caractéristiques des modèles de dynamique neuronale sans fournir d'informations biologiques quantifiables.
Les tentatives précédentes de modélisation de l'activité neuronale dans le cerveau réel impliquaient de combiner les courants électriques dans des compartiments microscopiques pour chacun des milliers de neurones individuels. Au lieu, les auteurs sont partis des solutions macroscopiques d'une version simplifiée du modèle HH biologiquement précis, qui reflète la mesure dans un nerf de la tension globale des pointes neuronales évoluant dans le temps.
Ils ont ensuite modifié les paramètres du modèle FHN afin que les principales caractéristiques de sa sortie graphique correspondent à celles de la courbe de tension réelle enregistrée dans le neurone. Les auteurs ont démontré que, pour que le modèle FHN ressemble le plus possible à la réalité biologique, il doit inclure la dépendance aux courants externes. Cette propriété fournit des informations précieuses sur la dynamique des systèmes neuronaux couplés.
