Task learning increases information redundancy of neural responses in macaque visual cortex

L'étude démontre que l'apprentissage de tâches chez les macaques augmente la redondance des réponses neuronales dans le cortex visuel V4, soutenant ainsi l'hypothèse bayésienne selon laquelle le cerveau optimise le traitement sensoriel par un processus d'inférence générative plutôt que discriminatif.

L'essentiel

🧠 Le Grand Mystère : Comment le cerveau apprend-il ?

Imaginez que votre cerveau est une immense salle de contrôle remplie de milliers d'opérateurs (les neurones). Leur travail ? Regarder ce qui se passe à l'extérieur (la vue) et prendre des décisions.

Pendant des années, les scientifiques pensaient que pour apprendre une nouvelle tâche, le cerveau devait devenir plus efficace, un peu comme un chef d'orchestre qui demande à chaque musicien de jouer sa partition de manière unique pour éviter les doublons inutiles. L'idée était : "Moins il y a de redondance (de répétition), plus l'information est claire et rapide."

Mais cette nouvelle étude, menée sur des singes macaques, nous dit : "Attendez, c'est l'inverse !"

🔄 La Révolution : Apprendre, c'est se copier !

Les chercheurs ont observé deux singes qui apprenaient à distinguer des lignes orientées différemment (comme des lignes verticales vs horizontales, ou diagonales). Ils ont enregistré l'activité de leurs neurones dans une zone visuelle du cerveau (V4) pendant des semaines.

Voici ce qu'ils ont découvert, avec une analogie simple :

1. L'Analogie du "Chœur" vs le "Solo"

• Avant l'apprentissage (Le Solo) : Au début, quand les singes ne savaient pas encore faire la tâche, chaque neurone agissait comme un chanteur solo qui chantonait sa propre mélodie. Il y avait peu de coordination. Si l'un se trompait, personne ne le corrigeait. C'était efficace, mais fragile.
• Après l'apprentissage (Le Chœur) : Une fois que les singes ont maîtrisé la tâche, les neurones ont commencé à se synchroniser. Ils ont commencé à "chanter la même chose" en même temps.
  • Ce que cela signifie : Au lieu d'avoir chacun une information différente, ils partagent la même information. C'est ce qu'on appelle la redondance.

2. Pourquoi faire des doublons ? (La Sécurité)

Dans notre vie quotidienne, si vous voulez envoyer un message important à un ami, vous ne l'envoyez pas une seule fois par SMS. Vous l'envoyez par SMS, par email et par téléphone. Pourquoi ? Pour être sûr que le message arrive, même si un canal tombe en panne.

C'est exactement ce que fait le cerveau en apprenant :

• Il ne cherche pas à économiser de l'énergie en évitant les doublons.
• Il cherche à renforcer le signal. En faisant que tous les neurones "pensent la même chose" (grâce à des signaux de retour venant des zones de décision du cerveau), l'information devient beaucoup plus robuste et facile à lire pour le reste du cerveau.

🚀 Les Découvertes Clés (Traduites)

1. L'erreur de l'ancien modèle : On pensait que l'apprentissage rendait le cerveau plus "économe" en éliminant les répétitions. La réalité est que l'apprentissage rend le cerveau plus sûr en ajoutant des répétitions intelligentes.
2. Le cerveau est un "Prédicteur" : Le cerveau ne se contente pas de recevoir des images comme une caméra. Il utilise ce qu'il a appris (ses "croyances" passées) pour prédire ce qu'il va voir. Quand il prédit quelque chose, il envoie ce message à tous les neurones visuels. Résultat ? Tous les neurones se synchronisent sur cette prédiction.
3. Même pendant une seule tâche : Ce phénomène n'arrive pas seulement sur des semaines. Même au cours d'une seule seconde où le singe regarde l'image, plus le temps passe, plus les neurones se synchronisent pour confirmer leur décision. C'est comme si, au fur et à mesure que vous regardez une image floue, votre cerveau dit : "Je suis sûr que c'est un chat !" et tous les neurones se mettent d'accord de plus en plus fort.

💡 En Résumé

Imaginez que votre cerveau est une équipe de détectives.

• Avant l'apprentissage : Chaque détective regarde le crime seul et rapporte ses propres indices, souvent contradictoires.
• Après l'apprentissage : Le chef d'équipe (la partie décisionnelle du cerveau) arrive et dit : "Le coupable porte un chapeau rouge !" Aussitôt, tous les détectives se mettent à chercher uniquement les chapeaux rouges et à se confirmer mutuellement : "Oui, je vois un chapeau rouge !", "Moi aussi !", "Moi aussi !"

Cette "redondance" (le fait de tous dire la même chose) n'est pas du gaspillage. C'est la preuve que le cerveau a intégré l'information, qu'il est confiant, et qu'il est prêt à prendre la bonne décision.

Le message final : Pour apprendre et prendre de bonnes décisions, notre cerveau ne cherche pas à être minimaliste. Il cherche à être redondant pour être infaillible.

Résumé technique

1. Problématique et Contexte Théorique

La question centrale de cette étude est de comprendre comment le cerveau optimise l'information sensorielle pour la prise de décision lors de l'apprentissage de nouvelles tâches. Deux perspectives théoriques fondamentalement opposées s'affrontent :

• La perspective "Classique" (Décodage/Compression) : Elle postule que l'apprentissage et l'attention visent à optimiser la représentation neuronale pour le décodage en aval en réduisant la redondance. Selon ce modèle, les corrélations limitant l'information (information-limiting correlations) sont considérées comme du bruit nuisible que le cerveau doit supprimer pour améliorer l'efficacité et la performance comportementale.
• La perspective "Inférence Générative" (Bayésienne) : Basée sur l'hypothèse que le cerveau infère les causes du monde à partir des observations sensorielles (inférence bayésienne hiérarchique), ce modèle prédit que l'apprentissage d'une tâche augmente la redondance. En effet, les neurones représenteraient des croyances a posteriori intégrant des croyances a priori transmises via des connexions de rétroaction (feedback). Ces croyances partagées créeraient des corrélations entre les neurones, augmentant ainsi la redondance de l'information.

L'objectif de l'étude est de trancher entre ces deux hypothèses en observant l'évolution de la redondance informationnelle chez des macaques apprenant des tâches de discrimination visuelle.

2. Méthodologie

Sujets et Tâches :

• Deux macaques rhésus (R et G) ont été entraînés sur deux tâches de discrimination d'orientation grossière :
  • Tâche "Cardinale" : discrimination entre 0° et 90°.
  • Tâche "Oblique" : discrimination entre 45° et 135°.
• L'apprentissage s'est déroulé sur plusieurs semaines, divisé en quatre "époques" (deux tâches x deux singes).

Stimuli et Enregistrement :

• Stimuli : Bruit dynamique filtré en bande passante, dont l'énergie d'orientation (cohérence) était modulée pour contrôler la difficulté de la tâche.
• Enregistrement : Utilisation de grilles d'électrodes Utah à 96 canaux implantées dans la zone corticale V4 (cortex visuel intermédiaire).
• Conditions : Les animaux ont effectué la tâche active (discrimination) et, à la fin de certaines sessions, une session de vision passive (fixation sans décision) pour servir de contrôle.

Analyse des Données :

• Indice d'apprentissage : Défini comme le produit de la similarité entre la stratégie comportementale de l'animal et celle d'un observateur idéal, et de la part de variance expliquée par le stimulus.
• Information de Fisher Linéaire ($I$) : Les auteurs ont calculé l'information portée par la population neuronale.
  • $I_{real}$ : Information réelle avec les corrélations naturelles.
  • $I_{shuffle}$ : Information calculée après avoir mélangé les essais (destruction des corrélations de bruit), représentant la somme des informations marginales de chaque neurone.
  • Redondance ($I_{redundancy}$) : Définie comme la différence $I_{shuffle} - I_{real}$. Une valeur positive indique que les corrélations limitent l'information totale par rapport à la somme des parties.

3. Résultats Clés

1. Augmentation de la redondance avec l'apprentissage :

• Contrairement à la prédiction classique, la redondance ($I_{redundancy}$) a augmenté significativement au cours des semaines d'entraînement.
• Cette augmentation est fortement corrélée à l'amélioration de la performance comportementale (indice d'apprentissage). Une meilleure performance est associée à des corrélations limitant l'information plus fortes, et non plus faibles.
• Ce phénomène est spécifique à l'engagement actif dans la tâche : il n'est pas observé (ou beaucoup moins) lors des sessions de vision passive, indiquant qu'il ne s'agit pas d'un changement structurel permanent des voies afférentes, mais d'un processus dynamique lié à l'état de la tâche.

2. Redistribution de l'information (Augmentation de l'information marginale) :

• L'augmentation de la redondance ne signifie pas une perte d'information globale. Au contraire, l'analyse montre que l'information portée par chaque neurone individuel ($I_{shuffle}$) augmente plus rapidement que l'information totale de la population ($I_{real}$).
• Le cerveau redistribue l'information : les neurones partagent davantage d'informations sur la tâche grâce aux signaux de rétroaction, augmentant ainsi la robustesse de chaque neurone individuel, même si la redondance réduit théoriquement l'efficacité de décodage d'une petite sous-population.

3. Dynamique intra-essai (Within-trial) :

• La redondance augmente également au cours d'un seul essai. À mesure que l'animal accumule des preuves sensorielles au fil du temps (sur la durée de 1,6s du stimulus), les corrélations entre les neurones augmentent.
• Cela suggère que les attentes a priori (basées sur les premiers instants de l'essai) sont intégrées dynamiquement dans les réponses neuronales ultérieures, conformément au modèle d'inférence bayésienne hiérarchique.

4. Rôle des neurones informatifs :

• L'augmentation de la redondance est plus marquée chez les neurones les plus sensibles à la tâche (ceux ayant un $d'$ élevé), suggérant que le mécanisme cible spécifiquement les populations neuronales pertinentes pour la décision.

4. Contributions et Signification

Contributions Principales :

• Validation de l'inférence générative : L'étude fournit une preuve empirique forte en faveur du cadre de l'inférence générative (Bayésienne) par rapport au cadre classique de compression d'information dans le cortex visuel.
• Réinterprétation des corrélations : Elle remet en cause l'idée reçue selon laquelle les corrélations neuronales sont toujours nuisibles. Ici, elles sont un sous-produit nécessaire d'un mécanisme de propagation d'information (redistribution) qui améliore la fiabilité des signaux individuels.
• Dynamique temporelle : Elle démontre que la redondance est un processus dynamique qui évolue à la fois sur des échelles de temps longues (semaines d'apprentissage) et courtes (millisecondes au sein d'un essai).

Signification pour les Neurosciences :

• Ces résultats suggèrent que le cortex sensoriel ne se contente pas de "décorréler" les signaux pour les rendre plus lisibles. Il calcule activement des croyances a posteriori en intégrant des connaissances antérieures (priors) via des signaux de rétroaction.
• Cela résout le paradoxe de la "redondance" : bien que la redondance réduise l'information totale théorique d'une population infinie, elle permet à un lecteur en aval (une sous-population de neurones) d'accéder à une information plus riche et plus robuste, car chaque neurone individuel porte une information accrue grâce au partage d'information.
• L'étude ouvre la voie à une réévaluation des modèles de traitement sensoriel, soulignant le rôle crucial des connexions de rétroaction dans la formation de représentations neuronales adaptatives.

En résumé, l'apprentissage d'une tâche visuelle chez le macaque ne simplifie pas la représentation neuronale en éliminant la redondance, mais la complexifie en augmentant le partage d'information entre les neurones, optimisant ainsi la robustesse de la décision via un processus d'inférence bayésienne dynamique.