Effective mean-field variables explain how biophysical parameters control firing rate and regularity in a spiking network

Le cerveau est un vaste réseau de milliards de cellules, chacune étant une minuscule unité électrique qui envoie des signaux à ses voisines. Pour comprendre comment ce système massif produit la pensée, la mémoire et le mouvement, les scientifiques construisent souvent des modèles informatiques simplifiés de ces réseaux. Ces modèles sont composés de milliers de neurones simulés qui reçoivent des entrées, les intègrent et émettent un signal lorsque celui-ci devient suffisamment fort. En ajustant les paramètres de ces modèles — comme la force des connexions, la vitesse de propagation des signaux ou la quantité d'électricité qu'une cellule peut contenir — les chercheurs tentent de voir comment le comportement du réseau change. Pendant des décennies, la méthode standard pour interpréter ces changements a été de supposer que chaque paramètre contrôle une partie spécifique du comportement du réseau de manière autonome. Si l'augmentation de la force de l'inhibition fait moins décharger le réseau, l'hypothèse est que l'inhibition est la cause directe. Cependant, cette vision traite chaque bouton du panneau de commande comme un levier indépendant, ignorant la possibilité que tourner un bouton puisse en réalité faire la même chose qu'un autre, simplement par un chemin différent.

Une nouvelle étude de Luciano Gonçalves Fernandes, de l'Université d'État de Washington, remet en question cette interprétation directe. Le chercheur a exécuté des simulations massives d'un réseau contenant dix mille neurones, une échelle suffisamment grande pour imiter le tir irrégulier et complexe observé dans les vrais cerveaux. Au lieu de simplement observer ce qui se passait en tournant un seul cadran à la fois, il a utilisé des outils mathématiques avancés pour suivre la manière dont le réseau traitait réellement l'information. Il a découvert que la plupart des effets apparents du changement des paramètres du modèle n'étaient pas uniques à ces paramètres spécifiques. Au lieu de cela, le taux de décharge du réseau et la régularité de son rythme étaient contrôlés par un ensemble beaucoup plus restreint de variables « effectives » cachées. Ces variables décrivent la poussée totale que reçoivent les neurones, l'équilibre de leurs connexions internes et le timing de leurs signaux par rapport à leur propre vitesse. L'étude a révélé que sept des huit paramètres standards que le chercheur a ajustés n'étaient en fait que différentes manières de modifier ces mêmes quelques variables cachées. Lorsque le chercheur modifiait les paramètres de manière à altérer ces variables cachées, le comportement du réseau changeait de façon prévisible. Mais lorsqu'il modifiait les paramètres de manière à laisser les variables cachées inchangées, le comportement du réseau restait exactement le même, prouvant que les paramètres originaux n'étaient pas des contrôles indépendants mais plutôt des routes différentes vers une même destination.

La recherche a débuté avec un modèle informatique standard d'un réseau cérébral, composé de neurones excitateurs qui encouragent le tir et de neurones inhibiteurs qui le suppriment. Dans le cerveau réel, ces deux types d'entrées sont étroitement équilibrés, créant un état où les neurones tirent de manière irrégulière, un peu comme des gouttes de pluie frappant un toit. Le chercheur a simulé ce réseau à l'aide de dix mille neurones et a fait varier systématiquement huit paramètres physiques différents, tels que la force des connexions, la vitesse des signaux et la capacité électrique des neurones. Il a réalisé plus de cinquante mille simulations pour cartographier la réponse du réseau à chaque combinaison possible de ces changements. L'objectif était de voir si le comportement du réseau pouvait être prédit simplement en regardant les réglages bruts, ou si une description plus profonde et plus abstraite était nécessaire.

Les résultats ont révélé un motif frappant. Pour la plupart des paramètres, le taux de décharge du réseau et la régularité de ses impulsions pouvaient être parfaitement prédits par quelques quantités simples dérivées des réglages. Ces quantités comprenaient la force de la stimulation externe poussant les neurones à tirer, la force nette des connexions entre les neurones et le rapport entre la vitesse du signal et le timing interne du neurone. L'étude a montré que changer la densité de connexion, la force de l'inhibition ou le seuil de décharge entraînait le même changement dans ces quantités cachées. Par conséquent, le réseau réagissait exactement de la même manière, quel que soit le bouton physique tourné. Cela signifie que ce qui ressemblait à un réseau complexe de contrôles indépendants était en réalité un système beaucoup plus simple où de nombreux paramètres différents n'étaient que des alias pour la même cause sous-jacente. Le chercheur a démontré cela en montrant qu'un réseau avec une densité de connexion spécifique se comportait de manière identique à un réseau avec une densité de connexion différente mais une force d'inhibition différente, car les deux configurations produisaient la même poussée et le même retrait effectifs sur les neurones.

Un paramètre, cependant, se distinguait de cette règle : le délai synaptique, qui est le temps nécessaire pour qu'un signal voyage d'un neurone à un autre. Alors que les autres réglages modifiaient principalement le taux de décharge moyen, le délai n'avait presque aucun effet sur la vitesse moyenne à laquelle les neurones tiraient. Au lieu de cela, il contrôlait le timing de l'activité du groupe. Lorsque le délai était court, les neurones tiraient selon un motif dispersé et irrégulier. À mesure que le délai augmentait, le réseau basculait soudainement dans un état où toute la population tirait en parfaite unison, créant un rythme synchronisé. Ce passage s'est produit sans changer la vitesse moyenne du tir, seulement la coordination du groupe. L'étude a trouvé que cette transition vers un tir synchronisé se produisait lorsque le délai atteignait environ six millisecondes, un point où la stabilité du réseau se rompt et où les oscillations collectives prennent le relais. Cette découverte souligne une distinction cruciale : la vitesse moyenne du réseau est déterminée par la force des entrées et des connexions, mais le timing et le rythme du réseau sont gouvernés par le temps que mettent les signaux pour voyager entre les cellules.

L'étude a également testé si ces conclusions tenaient bon lorsque les règles du modèle étaient modifiées. Dans un test planifié, le chercheur a modifié la façon dont le modèle était calibré, changeant essentiellement la signification des boutons sans changer le réseau lui-même. Dans un scénario, il a maintenu la stimulation externe fixe tout en modifiant le seuil de décharge. Selon les règles standards, augmenter le seuil faisait tirer le réseau plus rapidement, ce qui semblait contre-intuitif. Mais lorsque les règles ont été modifiées de sorte que la stimulation externe ne s'ajustait pas avec le seuil, augmenter le seuil faisait tirer le réseau plus lentement, comme on pourrait s'y attendre. La théorie mathématique développée dans l'étude avait parfaitement prédit cette inversion avant même que les simulations ne soient lancées. Cela a prouvé que la direction de l'effet d'un paramètre n'est pas une propriété intrinsèque de ce paramètre, mais dépend entièrement de la façon dont le système est configuré. Le même bouton peut augmenter ou diminuer l'activité selon le contexte, confirmant davantage que les véritables contrôles sont les variables effectives, et non les réglages nominaux.

Les chercheurs ont également examiné la structure des connexions du réseau. Lorsqu'ils augmentaient le nombre de connexions, le graphe du réseau devenait plus dense et plus complexe. On pourrait supposer que ce changement dans la forme du réseau était la cause du changement d'activité. Cependant, l'étude a montré que le changement d'activité était entièrement expliqué par l'augmentation de la force totale des connexions. Lorsque le chercheur modifiait la force des connexions sans changer le nombre de liens, le réseau se comportait exactement de la même manière que lorsqu'il modifiait le nombre de liens sans changer la force. Cela suggère que dans ces types de réseaux aléatoires, la forme spécifique des connexions importe moins que la quantité totale de signal circulant à travers elles. La structure du graphe était un effet secondaire de la force de connexion, et non le moteur primaire du comportement.

Ce travail offre une nouvelle façon de comprendre le fonctionnement des modèles cérébraux. Il suggère que lorsque les scientifiques observent un changement dans l'activité d'un réseau après l'ajustement d'un paramètre, ils ne devraient pas immédiatement supposer que ce paramètre est la cause directe. Au lieu de cela, ils devraient vérifier si ce changement n'est pas simplement une autre façon d'ajuster la stimulation effective, le couplage ou le bruit. L'étude montre que pour la plupart des réglages, le comportement du réseau est déterminé par ces quelques variables effectives, et que la complexité apparente des paramètres est une illusion créée par la façon dont le modèle est calibré. Le seul moment où les règles simples échouent est lorsque le réseau devient instable et commence à tirer en rafales synchronisées, un phénomène piloté par le délai des signaux. En séparant le comportement en régime permanent du timing collectif, l'étude offre une image plus claire et plus précise de la manière dont les réseaux biologiques pourraient fonctionner. Elle nous rappelle que dans les systèmes complexes, le même résultat peut provenir de nombreux points de départ différents, et que les véritables contrôles sont souvent cachés sous la surface des réglages que nous pouvons voir.