• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Physique
    Rétro-ingénierie du cerveau pour décoder les signaux d'entrée du déclenchement des neurones de sortie

    Entrées communes reconstruites à l'aide de neurones bavards non couplés en utilisant (a) des fenêtres temporelles de 100 à 2 500 ms et (b) une fenêtre temporelle de 12 500 ms (mise à l'échelle à des fins de comparaison). Crédit :Examen physique E (2022). DOI : 10.1103/PhysRevE.106.034205

    Le cerveau est un organe extrêmement complexe dont le fonctionnement exact reste difficile à appréhender. En moyenne, le cerveau humain contient 100 milliards de neurones qui se déclenchent lors de la réception de signaux d'entrée provenant de plusieurs organes sensoriels. Mais ce qui est vraiment remarquable dans notre cerveau, c'est la synchronisation de ce déclenchement neuronal lorsqu'il est déclenché par une entrée commune. En termes simples, des entrées communes peuvent générer une réponse collective dans des neurones qui sont non seulement séparés dans l'espace, mais qui ont également des caractéristiques de déclenchement différentes.

    La synchronisation neuronale a déjà été observée dans des expériences et est couramment démontrée pendant le repos et les activités impliquant des tâches. Cependant, les entrées communes qui produisent cela sont généralement inconnues dans des situations réelles. Cela soulève une question intéressante :est-il possible de reconstruire cette entrée en regardant la sortie des neurones ?

    Dans une nouvelle étude publiée dans Physical Review E le 12 septembre 2022, une équipe de chercheurs japonais, dirigée par le professeur Tohru Ikeguchi de l'Université des sciences de Tokyo (TUS), a entrepris de répondre à cette question. L'équipe, comprenant le professeur associé Ryota Nomura de l'Université Waseda (anciennement TUS) et le professeur associé Kantaro Fujiwara de l'Université de Tokyo, a examiné les taux de déclenchement des neurones et a réussi à reconstruire le signal d'entrée à l'aide d'une méthode appelée "intrigue de récurrence superposée". (SRP).

    "Nous avons développé une méthode qui utilise un diagramme de récurrence (RP). Le RP a été introduit à l'origine pour caractériser les systèmes dynamiques non linéaires car ils contiennent des informations multidimensionnelles, bien qu'ils ne fournissent qu'une visualisation bidimensionnelle", explique le professeur Ikeguchi. "Étant donné que les neurones sont des systèmes dynamiques non linéaires, nous pouvons hypothétiquement obtenir des informations sur une entrée commune si nous équilibrons les effets de la dynamique neuronale."

    La méthode SRP utilisée par l'équipe dans son travail est simplement un RP dans lequel une valeur de pixel est additionnée sur les pixels correspondants de plusieurs RP, puis on lui attribue une valeur binaire de 0 ou 1 selon que la somme est égale ou supérieure à 1.

    L'équipe a utilisé le modèle standard d'Izhikevich pour étudier les décharges de neurones non couplés. Ils ont examiné trois cas distincts de schémas de déclenchement des neurones. Dans le premier cas, ils ont reconstruit l'entrée commune pour des neurones localisés avec des taux de déclenchement similaires. Dans le second cas, ils l'ont fait pour un mélange de neurones avec différents taux de déclenchement de base. Enfin, dans le troisième cas, ils ont cherché à savoir si la méthode SRP pouvait reconstruire une entrée commune pour une réponse chaotique du modèle Izhikevich.

    Effectivement, ils ont découvert qu'ils pouvaient reconstruire le signal d'entrée en utilisant la méthode SRP pour les neurones chaotiques. "Lorsque nous sélectionnons une période de temps adéquate pour calculer les taux de déclenchement des neurones, nous sommes en mesure de reconstruire le signal d'entrée avec une précision assez élevée", explique le professeur Ikeguchi. Cela représente une percée majeure non seulement dans l'étude du cerveau et des sciences neurales, mais également dans d'autres systèmes dynamiques qui présentent un comportement chaotique.

    Les implications potentielles de leurs découvertes sont énormes pour l'intelligence artificielle, comme le note le professeur Ikeguchi :"Les modèles actuels d'intelligence artificielle ne peuvent pas vraiment reproduire la puissance de traitement de l'information de notre cerveau. En effet, les modèles de neurones utilisés sont trop simplifiés et loin d'être représentatifs de la de véritables neurones dans notre cerveau. Nos recherches nous rapprochent un peu plus de la compréhension du processus d'information dans notre cerveau. Cela pourrait ouvrir la voie à de nouveaux dispositifs informatiques neuromorphiques.

    De plus, cela pourrait nous aider à mieux comprendre l'apparition des troubles de santé mentale et à concevoir des traitements pour ceux-ci. Dans l'ensemble, l'étude pourrait être une révélation sur la façon dont nous comprenons bien (ou peu) notre cerveau. + Explorer plus loin

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




    © Science https://fr.scienceaq.com