Modeling behavior to disentangle motion-related effects in functional ultrasound imaging in awake, head-fixed mice

Cette étude présente un cadre de modélisation intégrant les mesures comportementales pour corriger les artefacts de mouvement dans l'imagerie ultrasonore fonctionnelle, permettant ainsi une interprétation fiable des signaux neuronaux chez des souris éveillées lors de comportements naturels à forte motion.

L'essentiel

🧠 Le Problème : Le "Bruit" de la Course

Imaginez que vous essayez d'écouter une conversation très fine (l'activité du cerveau) dans une pièce où quelqu'un court partout, tape des pieds et crie (les mouvements de la souris). C'est exactement le défi des scientifiques qui utilisent l'ultrason fonctionnel (fUSI) pour étudier le cerveau des souris éveillées.

L'ultrason fonctionnel est comme un radar très précis qui voit comment le sang circule dans le cerveau. Plus le sang afflue dans une zone, plus cela signifie que les neurones de cette zone sont actifs. C'est une merveilleuse technologie, mais elle a un gros défaut : elle est très sensible aux mouvements.

Quand la souris bouge, cela crée deux types de problèmes :

1. Le tremblement physique : Comme si vous secouiez la caméra, l'image devient floue.
2. La réaction du corps : Courir fait battre le cœur plus vite et change la pression du sang partout dans le corps, ce qui crée un "bruit" de fond qui ressemble à de l'activité cérébrale, mais qui n'en est pas.

Jusqu'à présent, pour nettoyer ces images, les scientifiques faisaient un peu comme un couteau suisse : ils jetaient les parties de l'image qui bougeaient trop, ou ils enlevaient les "mouvements globaux" (comme enlever tout le bruit de fond d'une chanson). Mais le problème, c'est que parfois, en enlevant le bruit, on enlève aussi la musique ! On perdait des informations importantes sur ce que la souris ressentait vraiment.

💡 La Solution : Le "Traducteur de Mouvement"

Dans cette étude, les chercheurs ont inventé une nouvelle méthode intelligente. Au lieu de simplement jeter les données ou d'essayer de deviner ce qui est du bruit, ils ont décidé de demander à la souris ce qu'elle fait.

Ils ont équipé la souris de deux capteurs :

• Un compteur sur la roue pour mesurer sa vitesse de course.
• Un petit accéléromètre sur sa tête pour mesurer ses tremblements.

Ensuite, ils ont utilisé un modèle mathématique (un peu comme un filtre de café ultra-sophistiqué) qui prend en compte ces mesures en temps réel.

L'analogie du chef cuisinier :
Imaginez que vous essayez de goûter le sel dans une soupe (l'activité du cerveau), mais que quelqu'un verse du poivre (le mouvement) dedans en même temps.

• L'ancienne méthode : Vous jetez la soupe et vous recommencez, ou vous essayez de retirer tout le poivre au hasard, ce qui risque d'enlever aussi du sel.
• La nouvelle méthode : Vous avez un assistant qui vous dit exactement combien de poivre a été versé à chaque seconde. Le chef (l'ordinateur) utilise cette information pour soustraire précisément la quantité de poivre ajoutée, sans toucher au sel. Il sait exactement ce qui vient du mouvement et ce qui vient de la soupe.

🧪 Les Expériences : Deux Scénarios

Pour tester leur "filtre intelligent", les chercheurs ont fait deux expériences avec des souris :

1. Le test visuel (Calme) : On montre des images à la souris. Elle court parfois, mais pas à cause des images.

   • Résultat : Le nouveau filtre a permis de voir l'activité visuelle (dans la partie "vue" du cerveau) beaucoup plus clairement, même si la souris courait. C'était comme si on avait enlevé le brouillard pour voir les étoiles, même si le vent soufflait.

2. Le test de douleur (Agité) : On donne une petite décharge électrique à la queue de la souris. Elle a peur et se met à courir frénétiquement !

   • Le défi : Ici, la douleur et la course sont liées. Il est très difficile de savoir si le cerveau réagit à la douleur ou juste parce qu'elle court.
   • Le miracle : Grâce au modèle, les chercheurs ont pu séparer les deux ! Ils ont pu voir que la zone du cerveau liée à la douleur (le cortex somatosensoriel) réagissait vraiment à l'intensité de la douleur, même au milieu de la panique de la course. Les anciennes méthodes auraient effacé cette réaction de douleur en pensant que c'était juste du bruit de course.

🚀 Pourquoi c'est important ?

Avant, pour étudier le cerveau, il fallait que les souris soient immobiles ou dans des situations très contrôlées. C'est comme si on ne pouvait étudier la psychologie humaine qu'en demandant aux gens de rester figés comme des statues.

Grâce à cette nouvelle méthode, on peut enfin étudier le cerveau dans des situations réalistes et naturelles :

• Comment le cerveau réagit-il quand on a peur ?
• Comment prend-on des décisions en courant ?
• Comment on interagit socialement ?

En résumé, cette recherche donne aux scientifiques une loupe magique qui permet de voir le cerveau fonctionner pendant que la souris vit sa vie, sans que les mouvements ne cachent la vérité. C'est une étape énorme pour comprendre comment nos émotions et nos pensées fonctionnent réellement, pas seulement quand on est assis tranquillement.

Résumé technique

Titre : Modélisation du comportement pour démêler les effets liés au mouvement dans l'imagerie ultrasonore fonctionnelle chez des souris éveillées et fixées

1. Le Problème

L'imagerie ultrasonore fonctionnelle (fUSI) est une technique puissante permettant de cartographier l'activité hémodynamique à l'échelle du cerveau chez les rongeurs éveillés, offrant un pont crucial entre la neuroscience animale et l'imagerie humaine (IRMf). Cependant, l'extension de la fUSI au-delà des paradigmes sensoriels strictement contrôlés vers des comportements plus naturalistes (décision, affect, interaction sociale) se heurte à un défi majeur : les confondants liés au mouvement.

Contrairement à l'IRMf où le mouvement est un problème global, en fUSI, les signaux sont dérivés de la rétrodiffusion des ondes ultrasonores par les globules rouges. Même de minuscules déplacements du cerveau par rapport à la sonde (déplacements hors plan) génèrent des artefacts importants. Ces artefacts proviennent de trois sources imbriquées :

1. Distorsion mécanique : Le déplacement physique du cerveau perturbe le champ acoustique.
2. Physiologie systémique : L'augmentation du débit cardiaque et de la pulsation artérielle lors de la locomotion modifie le volume sanguin cérébral indépendamment de l'activité neuronale.
3. Co-activation neuronale : Les circuits moteurs et prémoteurs s'activent réellement lors du mouvement, générant des signaux neuronaux corrélés au mouvement.

Les méthodes de débruitage actuelles (filtrage par clutter spatio-temporel, censure des trames, suppression de la première composante principale - PC1) sont souvent "aveugles" (basées uniquement sur les statistiques du signal) et risquent d'atténuer ou de supprimer des signaux neuronaux pertinents liés au comportement, ou de laisser subsister des artefacts résiduels dans des paradigmes dynamiques.

2. Méthodologie

Les auteurs proposent un cadre de modélisation informé par le comportement qui intègre explicitement les mesures continues du mouvement dans un modèle linéaire général (GLM).

• Protocole expérimental :

  • Sujets : Souris C57BL/6 éveillées et fixées par la tête, placées sur une roue de course.
  • Acquisition fUSI : Utilisation d'une sonde linéaire haute fréquence (18,5 MHz) via une fenêtre crânienne.
  • Paradigmes :
    1. Stimulation visuelle : Grilles en mouvement (8 orientations) pour évaluer la réponse sensorielle avec un mouvement minimal (mouvement spontané).
    2. Stimulation nociceptive : Chocs électriques à la queue (intensité croissante de 0,05 à 0,4 mA) pour induire une locomotion intense et une arousal physiologique, créant une forte corrélation entre le stimulus et le mouvement.
  • Suivi comportemental : Mesure continue de la vitesse de course (encodeur sur la roue) et du mouvement de la tête (accéléromètre 3 axes fixé à la plaque crânienne).

• Approche de modélisation (GLM) :

  • Les auteurs construisent des GLM où les covariables comportementales (vitesse de course, accélération, et leur convolution avec la fonction de réponse hémodynamique - HRF) sont incluses comme régresseurs de nuisance.
  • Modèles comparés :
    • Modèles de référence (M1, M4) : Basés sur des essais stationnaires ou la période de base.
    • Modèles "aveugles" (M2, M6) : Incluent le stimulus sans tenir compte du mouvement.
    • Modèles informés par le comportement (M3, M7) : Incluent le stimulus, le mouvement (vitesse + HRF) et les termes d'interaction (Stimulus × Mouvement).
  • Comparaison avec les méthodes standards : Les résultats sont comparés à une approche de suppression de la première composante principale (PC1), méthode courante de débruitage "aveugle".

• Analyse :

  • Calcul des tailles d'effet (partial eta-squared) et des coefficients bêta.
  • Comparaison des cartes d'activité via des corrélations 2D avec des références "vérité terrain" (essais stationnaires ou modèles de base).
  • Évaluation du rapport contraste/bruit (CNR).

3. Contributions Clés

• Intégration explicite du comportement : Première application d'un GLM incluant des mesures continues de vitesse de course et de mouvement de la tête comme régresseurs de nuisance spécifiques pour la fUSI chez des animaux éveillés.
• Démêlage des signaux : Démonstration que cette approche permet de séparer l'activité neuronale liée au stimulus de celle liée au mouvement, même lorsque les deux sont fortement corrélés temporellement (cas des chocs douloureux).
• Validation comparative : Preuve que la modélisation comportementale est supérieure aux méthodes de débruitage aveugle (comme la suppression de la PC1) pour préserver les réponses neuronales spécifiques tout en réduisant les artefacts.
• Préservation de l'information : Contrairement aux méthodes de censure (rejet de trames) qui entraînent une perte de données, cette méthode conserve l'intégralité des données tout en expliquant la variance liée au mouvement.

4. Résultats

• Paradigme Visuel (Mouvement faible) :

  • Le modèle incluant le mouvement (M3) a produit des cartes de réponse visuelle plus proches de la référence (essais stationnaires) que le modèle sans mouvement (M2) ou l'approche par corrélation simple.
  • La suppression de la PC1 n'a pas amélioré significativement l'estimation des réponses visuelles par rapport au modèle comportemental, et a parfois réduit la corrélation avec la référence.
  • Le GLM a permis de localiser précisément l'activité dans les noyaux géniculés latéraux (LGN) et postérieurs (LPN), évitant la diffusion de l'activité dans des régions non visuelles.

• Paradigme Nociceptif (Mouvement intense) :

  • Sans modélisation du mouvement, les réponses aux chocs étaient fortement contaminées par les signaux de locomotion, montrant une activation diffuse (notamment dans le cortex rétrosplénial et les régions thalamiques).
  • Le modèle complet (M7) a réussi à dissocier les réponses : l'activité liée au mouvement a été réduite, révélant une activation localisée et spécifique dans le cortex somatosensoriel primaire (S1), zone clé du traitement de la douleur.
  • Résultat critique : La suppression de la PC1 a atténué l'activité liée à l'intensité du choc dans le S1 (rendant le signal non significatif ou négatif), tandis que le modèle comportemental a préservé une modulation positive et significative de l'activité du S1 en fonction de l'intensité du choc. Cela démontre que la PC1 peut supprimer des signaux neuronaux pertinents qui covarient avec le mouvement.

• Robustesse : L'ajout des covariables comportementales rend les estimations de réponse insensibles à l'étape de suppression de la PC1, suggérant que les deux méthodes capturent des informations différentes mais complémentaires, avec le GLM étant plus spécifique.

5. Signification et Impact

Cette étude ouvre la voie à l'utilisation de la fUSI dans des conditions expérimentales plus naturalistes et complexes chez les rongeurs.

• Accès à de nouveaux processus : Elle permet d'étudier des processus affectifs (douleur, peur) et cognitifs (prise de décision) qui étaient auparavant inaccessibles car trop liés au mouvement et donc masqués par les artefacts.
• Standardisation : L'approche aligne l'analyse fUSI sur les pratiques établies en IRMf (utilisation de paramètres de mouvement dans le GLM), facilitant les comparaisons inter-espèces.
• Efficacité : Elle offre une solution pratique qui évite le rejet massif de données (censure) tout en améliorant la fidélité des signaux neuronaux.
• Futur : Bien que validée ici en 2D chez des souris fixées, la méthode est conçue pour être applicable aux préparations libres de mouvement (où la sonde suit l'animal) et aux acquisitions 3D, favorisant ainsi le développement de la neuroscience comportementale de pointe.

En conclusion, la modélisation explicite du comportement n'est pas seulement un outil de correction d'artefacts, mais une méthode essentielle pour révéler la véritable architecture neuronale des états internes et des comportements complexes.