Le système nerveux est un chef-d'œuvre de câblage de précision. Pour qu'un cerveau puisse fonctionner, des milliards de cellules nerveuses doivent étendre de longues et fines fibres appelées axones pour trouver leurs partenaires exacts, formant des connexions qui nous permettent de penser, de bouger et de ressentir. Ce processus, connu sous le nom de guidage axonal, repose sur l'extrémité de l'axone en croissance, appelée cône de croissance, qui agit comme un capteur sophistiqué. Il lit les signaux chimiques dans son environnement, décidant de la direction à prendre ou du moment où s'arrêter. Pendant des décennies, les scientifiques ont considéré cette navigation comme un voyage direct le long d'une carte : le cône de croissance détecte un gradient de signaux chimiques, un peu comme un randonneur suivant un sentier, et se dirige vers eux ou s'en éloigne pour atteindre une cible. Cependant, cette vision simpliste peine à expliquer comment ces structures délicates restent assez flexibles pour s'adapter à un monde bruyant et changeant tout en construisant un réseau rigide et fiable. La question demeure : comment une cellule peut-elle maintenir un cap constant lorsque les signaux qu'elle reçoit sont souvent contradictoires et chaotiques ?

Une nouvelle étude théorique propose un changement radical dans notre compréhension de cette navigation. Au lieu de considérer le cône de croissance comme un suiveur passif d'une carte chimique, la recherche suggère qu'il est un explorateur actif d'un paysage défini par l'incertitude. L'auteur, William G. Wadsworth, soutient que les cônes de croissance ne se contentent pas de s'installer sur un chemin stable et prévisible. Au contraire, ils cherchent activement des états de haute « entropie », un concept de la physique qui décrit un système possédant de nombreuses configurations possibles. Dans ce cadre, le cône de croissance navigue le long des crêtes entre différents comportements possibles, restant dans un état de haute volatilité où il peut changer de direction rapidement si nécessaire. Cette approche suggère que la capacité de changer de cap n'est pas un échec du système, mais une caractéristique de sa conception, permettant à l'axone de rester aux aguets, à la limite du changement, jusqu'à ce qu'une décision soit requise.

Pour tester cette idée, le chercheur a construit un modèle informatique basé sur des données génétiques réelles du ver rond C. elegans. L'étude s'est concentrée sur un neurone spécifique, l'HSN, qui croît selon un schéma prévisible. Le modèle a utilisé un système d'intelligence artificielle, un type de programme informatique connu sous le nom de réseau neuronal, entraîné sur des données provenant de milliers d'expériences génétiques. Ces expériences consistaient à désactiver des gènes spécifiques qui contrôlent la croissance du neurone, révélant comment différentes combinaisons d'instructions génétiques mènent à différentes formes et directions. L'ordinateur a appris à prédire le résultat de ces changements génétiques, devenant ainsi un substitut numérique de la machinerie biologique à l'intérieur de la cellule. Le modèle a identifié douze motifs de croissance distincts, allant de lignes droites à des ramifications complexes, et a cartographié la manière dont l'état interne de la cellule peut basculer entre eux.

Le cœur de la découverte réside dans la manière dont le modèle a simulé le voyage du cône de croissance. Plutôt que de programmer l'ordinateur pour suivre un gradient chimique, le chercheur a laissé le modèle choisir son chemin en se basant sur un principe d'entropie maximale. À chaque étape du voyage simulé, l'ordinateur calculait le nombre de différentes configurations génétiques internes qui pourraient produire chaque direction de mouvement possible. Il choisissait ensuite la direction qui offrait le plus grand nombre de ces possibilités internes. Étonnamment, cette règle simple a permis à la simulation de reproduire le chemin exact emprunté par le véritable neurone HSN du ver. Le cône de croissance ne se déplaçait pas vers sa cible parce qu'il était attiré par un gradient chimique, mais parce qu'il cherchait constamment la direction qui maintenait son réseau de signalisation interne dans un état de flexibilité maximale.

Cette découverte remet en question la vision traditionnelle selon laquelle les axones suivent un plan fixe. Les simulations ont montré que lorsqu'un cône de croissance se déplace en ligne droite, il voyage en réalité le long d'une frontière où deux états comportementaux différents sont également probables. Cet état d'équilibre n'est pas un signe de confusion, mais une position stratégique. Il permet à la cellule de maintenir un cap constant tout en étant prête à pivoter instantanément. Dès que l'équilibre interne bascule, ou que la cellule rencontre un nouveau signal environnemental, le cône de croissance peut réorganiser rapidement sa machinerie interne pour tourner ou bifurquer. L'étude a démontré que des comportements complexes, tels que le franchissement d'une ligne médiane ou la division en deux branches, émergent naturellement lorsque l'état interne de la cellule est ajusté pour osciller près de ces frontières critiques.

La recherche a également exploré l'influence du temps sur ce processus. En simulant l'accumulation progressive d'une protéine spécifique à l'intérieur de la cellule, le modèle a montré comment un cône de croissance pourrait être programmé pour changer de comportement à des moments précis. À mesure que les niveaux internes de cette protéine augmentaient, le paysage des possibilités changeait, forçant le cône de croissance à passer d'une phase de mouvement à une autre. Cela suggère que le rythme du développement est contrôlé par l'horloge interne de la cellule, qui ajuste sa sensibilité à l'environnement. Le modèle a recréé avec succès des scénarios où un neurone pousse vers l'avant, marque une pause, puis tourne brusquement, ou bien se divise en deux chemins, tous pilotés par l'état interne changeant de la cellule plutôt que par une carte externe complexe.

L'un des résultats les plus frappants fut la découverte de la « dégénérescence » du système. Les simulations ont révélé que le cône de croissance pouvait atteindre le même comportement extérieur grâce à de nombreuses configurations internes différentes. Tout comme une personne peut atteindre une destination en empruntant de nombreux itinéraires, la cellule peut maintenir une direction spécifique en utilisant diverses combinaisons de ses composants internes. Cette redondance rend le système robuste ; si une partie échoue, une autre peut prendre sa place sans perturber le chemin global. Le modèle a montré qu'en traversant différents environnements, le cône de croissance remanie constamment ses composants internes pour rester sur la voie de haute entropie, garantissant ainsi qu'il puisse s'adapter aux conditions changeantes sans perdre sa route.

L'étude conclut que le câblage ordonné du système nerveux n'est pas le résultat d'un plan rigide et prédéterminé, mais émerge d'un processus dynamique de gestion de l'incertitude. En opérant près de la limite de la stabilité, les cônes de croissance peuvent équilibrer le besoin d'une direction constante et celui d'une adaptation rapide. Cette perspective thermodynamique offre une nouvelle façon de concevoir le fonctionnement des systèmes biologiques complexes. Elle suggère que la capacité de naviguer dans un monde bruyant ne consiste pas à éliminer le bruit, mais à l'utiliser. Le cône de croissance n'ignore pas le chaos de son environnement ; il utilise les fluctuations de ses propres signaux internes pour rester flexible et réactif.

Bien que les conclusions soient basées sur des simulations informatiques et des modèles théoriques, elles fournissent une explication convaincante de la manière dont les systèmes biologiques parviennent à la fois à la stabilité et à l'adaptabilité. La recherche suggère que les principes de la thermodynamique, habituellement appliqués à la chaleur et à l'énergie, peuvent également régir le comportement des cellules vivantes. En envisageant le guidage axonal comme une recherche d'états de haute entropie, l'étude offre une perspective nouvelle sur la façon dont la vie construit ses réseaux complexes. Elle implique que le secret d'un développement robuste ne réside pas dans un contrôle strict, mais dans l'adoption stratégique de la variabilité, permettant au système nerveux de croître avec autant de précision que de grâce.