Computational simulation reveals the critical role of spike-timing-dependent plasticity in synchrony

Le cerveau humain est un vaste réseau de milliards de minuscules cellules électriques, émettant constamment des signaux pour construire nos pensées, nos souvenirs et nos perceptions. Pendant des décennies, les scientifiques ont débattu de la manière dont ces cellules s'organisent pour stocker l'information. Un camp de l'argumentation suggère que l'apprentissage se produit lorsque des groupes de neurones déchargent en parfaite unison, comme une chorale chantant la même note au même moment. Cette activité synchronisée est considérée comme la signature physique de la formation d'un souvenir. De l'autre côté, une autre école de pensée soutient que pour que l'information soit utile, elle doit être variée et imprévisible. Si chaque cellule décharge exactement au même instant, le signal devient trop uniforme pour transporter des détails complexes, à l'instar d'une station de radio qui ne diffuserait qu'une seule tonalité. Cette tension entre le besoin d'unité pour apprendre et le besoin de variété pour encoder l'information a créé un casse-tête de longue date en neurosciences.

Les chercheurs savent depuis longtemps que le cerveau utilise une règle spécifique pour renforcer les connexions entre les neurones : lorsque deux cellules déchargent dans une séquence précise, le lien entre elles se renforce. Ce processus, connu sous le nom de plasticité dépendant du temps de pointe (spike-timing-dependent plasticity), est le mécanisme biologique derrière l'apprentissage. Cependant, il était peu clair comment cette règle d'apprentissage pouvait coexister avec l'idée que l'information nécessite un état chaotique et désynchronisé. Si l'apprentissage exige que les cellules déchargent ensemble, comment le cerveau peut-il également compter sur le fait qu'elles déchargent de manière espacée pour stocker des souvenirs riches et détaillés ? Une nouvelle étude menée par des chercheurs en informatique de l'Université de Toronto et de l'Institut cérébral Krembil propose que ces deux forces apparemment opposées ne sont pas des ennemies, mais des partenaires dans une boucle de rétroaction continue.

Pour résoudre ce mystère, les chercheurs ont construit un modèle informatique détaillé d'un petit réseau de neurones, imitant le comportement de cellules trouvées dans l'hippocampe, le centre névralgique de la mémoire du cerveau. Ils ont programmé ce réseau virtuel avec les mêmes règles biologiques que suivent les neurones réels, y compris les signaux chimiques qui excitent ou inhibent l'activité. L'équipe a alimenté le modèle avec des données réalistes enregistrées à partir de rats effectuant une tâche visuelle, où les animaux devaient distinguer des images de différentes luminosités. Ils ont ensuite lancé deux versions de la simulation : une où le mécanisme d'apprentissage était actif, et une autre où il était désactivé. En comparant l'activité électrique des neurones virtuels dans les deux scénarios, ils ont pu observer exactement comment le processus d'apprentissage modifiait le timing des pointes (spikes).

Les résultats ont révélé une relation dynamique et surprenante entre l'apprentissage et le timing. Lorsque le mécanisme d'apprentissage était actif, les neurones ne restaient pas simplement synchronisés ou désynchronisés. Au lieu de cela, ils entraient dans un cycle rythmique. Au début du processus d'apprentissage, les neurones commençaient à s'écarter dans leurs temps de décharge, créant un état de désynchronisation. Ce changement n'était pas un échec du système, mais une conséquence nécessaire de l'apprentissage lui-même. L'augmentation de la variété dans le timing des signaux servait en réalité à réguler la force de l'apprentissage, empêchant le réseau de rester bloqué dans un schéma rigide.

Alors que la simulation se poursuivait sur plusieurs secondes, les chercheurs ont observé une danse complexe de synchronisation et de désynchronisation, bien que le motif ne soit pas un simple va-et-vient. Le réseau passait d'un état synchronisé à un état désynchronisé, puis, après une période d'activité parcellaire, il se synchronisait brièvement avant de s'écarter à nouveau. Cette fluctuation était entièrement pilotée par les règles d'apprentissage. L'étude suggère que le cerveau utilise cet équilibre changeant pour gérer l'information. La synchronisation initiale permet au cerveau de capturer une nouvelle pièce d'information, tandis que la désynchronisation subséquente permet à cette information d'être stockée avec suffisamment de flexibilité pour être récupérée plus tard sans interférer avec d'autres souvenirs.

Crucialement, les simulations ont montré que sans le mécanisme d'apprentissage, les neurones n'exhibaient pas cette même fluctuation régulée. Lorsque l'apprentissage était désactivé, le réseau restait dans un état mixte de synchronisation et de désynchronisation qui n'évoluait pas dans le temps. Cette découverte indique que la capacité à basculer entre ces états n'est pas une occurrence aléatoire, mais le résultat direct du processus d'apprentissage du cerveau. L'étude suggère que le cerveau ne choisit pas entre synchronisation et désynchronisation ; il utilise plutôt le processus d'apprentissage pour basculer entre les deux, créant un système autorégulé.

Cette perspective offre une nouvelle façon de comprendre le puzzle de longue date sur la manière dont le cerveau équilibre ordre et chaos. Elle suggère que la contradiction apparente entre l'apprentissage et la théorie de l'information est résolue en considérant ces deux éléments comme les parties d'un processus unique et continu. L'apprentissage initie la synchronisation nécessaire pour former un souvenir, mais l'acte même de l'apprentissage pousse ensuite le système vers la désynchronisation, ce qui préserve la flexibilité de ce souvenir. Les chercheurs ont découvert que cette boucle permet au cerveau de maintenir un niveau sain de variabilité, empênant la synchronisation extrême observée dans des conditions comme l'épilepsie ou la désynchronisation extrême associée à la perte de mémoire.

L'étude, menée entièrement par des simulations informatiques, fournit un cadre théorique sur la manière dont ces processus biologiques pourraient fonctionner dans le cerveau réel. Bien que le modèle soit basé sur des données biologiques établies et des entrées réalistes, les conclusions sont une proposition de la manière dont ces mécanismes interagissent plutôt qu'une observation directe de tissus vivants. Les auteurs suggèrent que cette boucle de régulation pourrait être la clé pour comprendre comment nous codons les détails complexes de notre vie quotidienne. En montrant que l'apprentissage et la désynchronisation sont profondément entrelacés, la recherche offre une explication cohérente de la manière dont le cerveau parvient à être à la fois un enregistreur stable d'événements et un processeur flexible de nouvelles informations.