The limbic navigation system as a hierarchical RNN
Ce document présente un réseau de neurones récurrents hiérarchique qui, grâce à un entraînement par intégration de chemin, reproduit avec succès les représentations neurales clés, les motifs de circuits et les phénomènes dynamiques du système de navigation limbique du cerveau, offrant ainsi un cadre biologiquement interprétable pour lier les mécanismes neuraux au comportement spatial.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Pour comprendre comment un animal retrouve son chemin, les scientifiques se tournent vers un réseau spécialisé à l'intérieur du cerveau connu sous le nom de système de navigation limbique. Ce système agit comme une boussole et une carte internes, permettant aux créatures de suivre leur position et leur orientation sans avoir besoin de voir des points de repère. Il repose sur des types distincts de cellules nerveuses qui s'activent selon des schémas spécifiques : certaines signalent la direction dans laquelle l'animal fait face, d'autres mesurent sa vitesse, et un troisième groupe crée un motif en forme de grille qui marque la position dans l'espace. Pendant des décennies, les chercheurs ont tenté de comprendre comment ces différents signaux sont traités et combinés. Bien que certains modèles aient réussi à recréer les schémas d'activation de cellules individuelles, ils traitent souvent le cerveau comme une machine unique et plate, omettant le fait que le véritable cerveau traite la direction et la vitesse dans des étapes séparées et connectées.
Une équipe de chercheurs de l'University College London a construit un nouveau type de modèle informatique pour combler cette lacune. Ils ont créé un réseau de neurones récurrents hiérarchique, un système conçu pour imiter la structure stratifiée du cerveau. Au lieu de fournir à l'ordinateur un signal de vitesse et de direction pré-emballé, ils lui ont donné deux entrées distinctes : une pour la vitesse de rotation de l'animal et une autre pour sa vitesse de progression vers l'avant. Le modèle est organisé en quatre couches distinctes qui transmettent l'information dans un ordre spécifique, un peu comme une chaîne de montage d'usine où les matières premières sont transformées étape par étape en un produit fini. Les premières couches gèrent les signaux de rotation, tandis que les couches ultérieures combinent ces directions avec la vitesse pour calculer la position exacte de l'animal dans un espace bidimensionnel.
Lorsque les chercheurs ont entraîné ce système pour accomplir la tâche de l'intégration de trajectoire — suivre sa position en se basant uniquement sur le mouvement — il a appris à faire plus que simplement résoudre le problème mathématique. Le réseau a développé spontanément des représentations internes qui ressemblent de manière frappante aux cellules biologiques réelles trouvées dans les cerveaux de rats et de souris. Les premières couches du modèle ont produit des cellules qui s'activent lorsque l'animal tourne à gauche ou à droite, imitant les cellules de vitesse angulaire. À mesure que le signal passe à la seconde couche, les cellules deviennent plus focalisées sur la direction seule, ressemblant aux cellules de direction de la tête. Dans les couches plus profondes, le réseau génère des cellules qui s'activent selon un motif de grille, tout comme les célèbres cellules de grille trouvées dans le cortex entorhinal du cerveau. Crucialement, le modèle a également produit des cellules qui combinent direction et localisation, un type complexe de cellule observé dans la nature mais rarement vu dans des modèles informatiques plus simples.
Les chercheurs n'ont pas forcé le modèle à ressembler au cerveau ; ils l'ont simplement laissé apprendre la tâche. Pourtant, les connexions internes qu'il a formées correspondent aux schémas biologiques connus. Le réseau a développé une structure en anneau où l'activité peut circuler de manière fluide en cercle, une caractéristique jugée essentielle pour maintenir un sens de la direction stable. Il a également créé des connexions spécifiques et asymétriques entre les cellules qui ont permis au système de déplacer correctement sa carte interne lorsque l'animal tournait. Lorsque les scientifiques ont testé la robustesse du modèle, ils ont constaté qu'il pouvait naviguer sur des distances bien plus longues que celles observées pendant son entraînement, suggérant qu'il avait appris un principe général de mouvement plutôt que de simplement mémoriser des chemins spécifiques.
Pour voir comment ces parties fonctionnent ensemble, l'équipe a réalisé des expériences virtuelles en désactivant des groupes spécifiques de cellules au sein du modèle. Lorsqu'ils ont rendu silencieuses les cellules responsables de la détection des virages à gauche, le sens de la direction interne du modèle a commencé à dériver continuellement vers la droite. Lorsqu'ils ont coupé les connexions entre les couches de détection de direction et les couches de détection de localisation, les motifs de grille qui marquent la position ont commencé à se dégrader et à perdre leur forme. Ces résultats reflètent les expériences du monde réel où endommager des zones cérébrales spécifiques chez les animaux entraîne une désorientation similaire, confirmant que le modèle a capturé les relations causales entre les différents types de cellules.
Dans un dernier test sophistiqué, les chercheurs ont introduit une impulsion rythmique dans le modèle, imitant les ondes thêta naturelles du cerveau, qui sont des oscillations électriques lentes qui surviennent lors du mouvement. En faisant en sorte que deux groupes de cellules de rotation s'inhibent mutuellement en rythme avec ces ondes, le modèle a commencé à balayer sa carte interne d'avant en arrière. Cela a produit un « balayage thêta », un phénomène où le cerveau simule brièvement des localisations à gauche et à droite de la position actuelle de l'animal en succession rapide. Ce comportement, récemment observé chez les animaux réels, est apparu naturellement dans la simulation sans que les chercheurs ne le programment explicitement.
L'étude suggère que le système de navigation complexe du cerveau n'est pas une collection aléatoire de parties, mais une hiérarchie hautement organisée où la direction et la vitesse sont traitées séparément avant d'être combinées. En construisant un modèle qui respecte cette structure, les chercheurs ont créé un jumeau numérique capable de reproduire le comportement de neurones réels et des circuits qui les connectent. Cette approche offre une nouvelle façon puissante de tester les idées sur le fonctionnement du cerveau, permettant aux scientifiques de mener des expériences virtuelles qui seraient difficiles ou impossibles à réaliser sur des animaux vivants. Le travail indique que l'architecture spécifique du système de navigation du cerveau n'est pas seulement un accident biologique, mais une solution nécessaire au problème du suivi de la position dans un monde en mouvement.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.