Une brève introduction aux neurosciences computationnelles Partie 1

Avant de commencer à lire cet article, il y aura quelques perceptions que votre cerveau(vous) pourrait considérer, pourquoi avons-nous besoin de lire ceci ? Que pouvons-nous apprendre de cela ? Ou ce contenu me permettra-t-il de savoir, comment les cerveaux réagissent et résolvent les problèmes dans diverses situations ? Oui ! Il s’agit de toutes les mathématiques, permutations et équations chimiques qui se produisent dans notre propre cerveau. Cet article est divisé en trois parties. Dans la première partie de l’article, nous présentons brièvement les neurosciences computationnelles qui comprennent, le rôle que jouent les neurones, l’anatomie des neurones et les modèles qui pourraient être expliqués pour les fonctionnalités du cerveau, ainsi appelés, les modèles de cerveau.

Maintenant, voyons tout ce que nous pouvons réaliser en comprenant ou en apprenant sur un cerveau. Au cours des dernières années, nous avons vu des progrès dans les réseaux neuronaux qui sont complètement inspirés par cette « neuroscience informatique ». Les algorithmes ou modèles utilisés dans plusieurs domaines des réseaux neuronaux et de la vision par ordinateur sont dérivés d’une compréhension théorique des neurosciences. Tout ce que nous savons de notre cerveau, c’est qu’il est rapide, intelligent, qu’il reçoit des données de l’environnement, que des réactions/fusions chimiques se produisent et que, finalement, il nous donne la solution ou le résultat. En lisant ceci, vous apprendriez à connaître l’exécution des programmes à l’intérieur de notre cerveau. Commençons !

C’est le récent tweet qui est posté par Lex Friedman. Il travaille comme chercheur scientifique au MIT.

Le cerveau humain est incroyable. Sont ici visualisés 3% des neurones et 0,0001% des synapses du cerveau, constituant une partie du système Thalamocortical du cerveau. Visualisation via le moteur DigiCortex.

2.0 Neurosciences

Le terme ‘Computational neuroscience’ a été inventé par Eric L. Schwartz, lors d’une conférence visant à fournir une revue d’un domaine, qui jusqu’alors était désigné par une variété de noms, tels que la modélisation neuronale, la théorie du cerveau et les réseaux neuronaux. Plus tard, Hubel & Wiesel a découvert le fonctionnement des neurones à travers la rétine, dans le cortex visuel primaire (la première zone corticale). Ceci est expliqué dans la section 3. De plus, avec l’augmentation de la puissance de calcul, la plupart des neuroscientifiques computationnels collaborent étroitement avec les expérimentateurs pour analyser différentes données et synthétiser de nouveaux modèles de phénomènes biologiques.

Les neurosciences théoriques

Les neurosciences englobent des approches allant des études moléculaires et cellulaires à la psychophysique humaine et à la psychologie. L’objectif des neurosciences computationnelles est de décrire comment les signaux électriques et chimiques sont utilisés dans le cerveau pour interpréter et traiter l’information. Cette intention n’est pas nouvelle, mais beaucoup de choses ont changé au cours de la dernière décennie. On en sait désormais plus sur le cerveau grâce aux progrès des neurosciences, on dispose d’une plus grande puissance de calcul pour réaliser des simulations réalistes des systèmes neuronaux, et l’étude de modèles simplifiés de grands réseaux de neurones permet de tirer de nouvelles conclusions.

Comprendre le cerveau est un défi qui attire un nombre croissant de scientifiques, issus de nombreuses disciplines. Bien qu’il y ait eu une explosion de découvertes au cours des dernières décennies concernant la structure du cerveau aux niveaux cellulaire et moléculaire, nous ne comprenons pas encore comment le système nerveux nous permet de voir, d’entendre, d’apprendre, de nous souvenir et de planifier certaines actions. Mais il existe de nombreux domaines qui dépendent des neurosciences computationnelles, quelques-uns sont énumérés ci-dessous,

Apprentissage profond, intelligence artificielle et apprentissage automatique
Psychologie humaine
Sciences médicales
Modèles mentaux
Anatomie computationnelle
Théorie de l’information

3.0 Expérience de Hubel et Wiesel

Cette expérience semble être un signe avant-coureur des connaissances neuronales qui ont été découvertes. Elle a jeté les bases d’une exploration approfondie des neurosciences computationnelles. Voyons ce qu’il y a dedans.

Les professeurs David Hubel et Torsten Wiesel ont fait une expérience dans les années 1950 dans laquelle ils ont enregistré les activités neuronales du chat à travers la rétine, alors qu’ils déplaçaient une lumière vive. Ils ont classé quelques observations passionnantes pendant que l’expérience se déroulait, ce sont

Les neurones ne se sont allumés que dans certains cas, mais pas toujours.
L’activité des neurones a changé en fonction de l’orientation et de l’emplacement de la ligne de lumière.

(Ne vous inquiétez pas du jargon neuronal, nous explorerions tous les termes dans les sujets suivants.) Les signaux électriques et chimiques enregistrés dans les cellules reliant la rétine au cerveau étaient convertis en signaux sonores. Ces signaux sonores étaient ensuite joués, ce qui produisait des craquements « Snap ! Pop ! », des sons crépitants. Ceux-ci n’étaient pas continus, mais joués uniquement lorsque le neurone se déclenchait. Désormais, elle a établi une compréhension fondamentale de la façon dont les neurones extraient les informations projetées par la rétine, puis a clairement expliqué comment les neurones corticaux visuels (présents dans le cortex visuel primaire, V1, dans le cerveau) peuvent formuler une image.

4.0 Cellules neuronales, anatomie et personnalité électrique des neurones

Donc, pour bien comprendre comment fonctionne le cerveau et comment nous sommes capables de percevoir le monde qui nous entoure, intéressons-nous à la partie primaire du cerveau, à savoir les neurones. Ce sont les unités de calcul du cerveau humain.

Le cerveau peut être décomposé en parties individuelles discrètes appelées neurones. Il y a plusieurs formes neuronales possibles, disons que dans le cortex visuel, le neurone est pyramidal, et dans le cervelet, on les appelle les cellules de Purkinje.

Structure des neurones

Un neurone est constitué de trois parties principales à savoir le Soma, les Dendrites et l’Axon. Le soma est le corps cellulaire. Les dendrites sont les extrémités d’entrée des neurones alors que l’axone est l’extrémité de sortie. L’entrée est donc reçue par les dendrites à partir des axones du neurone adjacent. Ces entrées donnent lieu à un potentiel post-synaptique excitateur (EPSP) et, lorsqu’elles sont combinées à celles de plusieurs autres neurones, elles produisent un potentiel d’action ou un pic. Ce pic ne se produit que lorsque l’entrée atteint un certain seuil.

Peeking Inside

Intéressant, les neurones peuvent être définis comme un « sac percé de liquide chargé ». Alors, tout d’un coup, comment les produits chimiques sont apparus ? C’est une chose cruciale dont beaucoup d’entre nous ne sont pas conscients. Les neurones sont entièrement composés de produits chimiques, et les réactions chimiques sont à l’origine de tous les pics et synapses. Nous avons en effet du Na+, du Cl-, du K+, etc. dans notre cerveau. Fascinant, n’est-ce pas ?

Les contenus d’un neurone sont enfermés dans une bicouche lipidique, et le lipide est une « graisse » en termes simples. Cette bicouche est imperméable aux ions chargés, tels que Na+, K+, Cl- et autres. Alors, comment ces produits chimiques se déplacent-ils parmi les neurones ? Pour répondre à cette question, plongeons profondément dans les canaux ioniques.

Canaux ioniques

Les « canaux ioniques » permettent la transmission de ces ions, c’est-à-dire de passer dans et hors des neurones. Il en résulte une Différence de Potentiel qui existe entre l’intérieur et la partie extérieure du neurone, le potentiel intérieur est de -70mv par rapport à l’extérieur.

Alors, comment se fait-il que le potentiel soit toujours de -70mv ? Il est maintenu par le pompage des ions dans et hors des neurones, c’est-à-dire, en expulsant Na+ et en laissant entrer K+. Les canaux ioniques ne permettent le passage que de neurones spécifiques et peuvent être classés en trois canaux à gated,

Gated par le voltage – La probabilité d’ouverture du canal dépend du voltage de la membrane.
Gated chimiquement – La liaison à un produit chimique provoque l’ouverture du canal.
Gated mécaniquement – La pression ou l’étirement influence l’ouverture/la fermeture du canal.

Passage ionique à travers la membrane du neurone (src)

Signalisation neuronale

La signalisation neuronale est l’interaction qui se produit entre les neurones par la transmission des signaux. Les canaux déclenchés discutés ci-dessus permettent la signalisation neuronale, voyons comment,

Premièrement, les entrées provenant d’autres neurones activent les canaux déclenchés chimiquement, c’est-à-dire ouvrent les canaux, ce qui entraîne des changements dans le potentiel de la membrane locale.
Puis, cela conduit à l’ouverture/fermeture des canaux déclenchés par le voltage, ce qui entraîne une dépolarisation(un changement positif du voltage) et une hyperpolarisation(un changement négatif du voltage). La repolarisation est le moment où la cellule est ramenée au potentiel réel.
Une dépolarisation suffisamment forte entraîne le pic ou le potentiel d’action.
Ceci ouvre en effet les canaux Na+(voltage-dépendants), suivi d’un influx rapide de Na+(out to in) qui pousse d’autres canaux à s’ouvrir jusqu’à leur inactivation.
Lorsque lentement les canaux Na+ commencent à s’inactiver, l’outflux de K+(in to out) rétablit le potentiel de la membrane ou les canaux K+ s’ouvrent, réduisant le pic. C’est la repolarisation.
Par la suite, la cellule devient plus négative car les canaux K+ restent ouverts et continuent à laisser les ions positifs sortir du neurone. C’est ce qu’on appelle l’hyperpolarisation.
Alors que les canaux potassiques se ferment, la pompe sodium-potassium travaille pour rétablir à nouveau l’état de repos.
Après que le pic soit généré, il se propage le long de l’axone.
Le long de l’axone, les canaux Na+ s’ouvrent en premier, provoquant l’élévation du potentiel d’action, suivie de la fermeture des canaux Na+ et de l’ouverture des canaux K+, qui conduisent à la chute du potentiel d’action.

Graphiquement, c’est ainsi que le potentiel membranaire est enregistré en fonction du temps,

Potentiel membranaire pendant un potentiel d’action (src)

Vélocité

Les signaux se déplacent très rapidement le long de l’axone principalement pour 2 raisons ; la taille et la gaine de myéline. C’est une substance isolante qui ne laisse pas passer les ions.

Le Nœud de Ranvier tel que représenté dans le neurone ci-dessus, sont les espaces qui sont présents entre les enveloppes de gaine de myéline autour de l’axone. Dans le système nerveux périphérique, la myéline se trouve dans les membranes des cellules de Schwann. Dans le système nerveux central, les oligodendrocytes sont responsables de l’isolation.

Le système nerveux périphérique est constitué des nerfs et des ganglions situés à l’extérieur du cerveau et de la moelle épinière. Le système nerveux central est constitué du cerveau et de la moelle épinière.

Lorsque le potentiel d’action traverse l’axone, il y a des chances où il peut se perdre, donc, la présence de myéline le préserve.

Une gaine de myéline diminue la capacité du neurone dans la zone qu’elle recouvre. Ainsi, les neurones reçoivent beaucoup d’ions négatifs agités qui doivent être équilibrés. Ils se répandent donc à l’extrémité de la membrane, dans l’espoir de trouver les ions positifs. Les ions positifs s’approchent alors d’eux pour les calmer. Cela conduit à la formation de fines couches d’ions positifs à l’extérieur et d’ions négatifs à l’intérieur. Lorsque la myéline entoure l’axone, moins d’ions négatifs s’accumulent dans les parties de l’axone entourées de myéline, car ils ne peuvent pas accéder facilement aux ions positifs. Cela signifie que, lorsque le potentiel d’action arrive à toute vitesse, il est plus facile de dépolariser (un changement positif de tension) les zones gainées parce qu’il y a moins d’ions négatifs à contrecarrer.

Les nœuds de ranvier ont ces canaux de tension à gated positif, où les ions positifs forment un essaim puisqu’ils sont les zones découvertes. Ainsi, les ions négatifs dans les axones veulent atteindre les nœuds de ranvier pour s’équilibrer. Cette propagation du potentiel d’action ressemble à un signal qui saute de nœud en nœud, appelé « Conduction saltatoire ».

Cela explique aussi la forme du pic, où il augmente jusqu’à un certain point puis diminue.

5.0 Comprendre le cerveau

Maintenant que nous avons vu comment les neurones sont structurés et comment ils calculent en envoyant des signaux et en générant des produits chimiques, il est maintenant temps de regrouper un ensemble de neurones pour comprendre le cerveau. Comprendre le cerveau est toujours une question délicate, parfois nous ne pouvons pas prédire comment les gens/le cerveau réagissent dans certains scénarios, même s’ils se livrent à des activités de routine. Ils stockent beaucoup d’informations à l’intérieur des neurones en fonction des actions qu’ils ne cessent de déclencher. La question est donc de savoir comment nous devons interpréter ces informations. Il existe trois modèles informatiques pour comprendre le cerveau, qui répondent aux trois questions « quoi, comment et pourquoi ». Ces modèles sont respectivement appelés modèles descriptifs, mécanistes et interprétatifs. Maintenant, discutons brièvement de ces modèles,

Modèles descriptifs : Ce modèle répond à la question « Quelles sont les réponses neuronales aux stimuli externes ? ». Ils passent en revue de grandes quantités de données expérimentales, caractérisant ainsi ce que font les neurones et les circuits neuronaux. Ces modèles peuvent se fonder vaguement sur des résultats biophysiques, anatomiques et physiologiques, mais leur but premier est de décrire les phénomènes, et non de les expliquer.

Les deux principales propriétés des modèles descriptifs sont,

Ils définissent qualitativement comment décrire une scène ou des données par codage neuronal.
Ils définissent également comment nous pouvons extraire des informations des neurones par des techniques de décodage neuronal.

Modèles mécanistes : Les modèles mécanistes, quant à eux, répondent à la question « Comment les systèmes nerveux fonctionnent en fonction de l’anatomie, de la physiologie et des circuits connus ». Ces modèles forment souvent un pont entre les modèles descriptifs de différents niveaux.

Les deux principales propriétés des modèles mécanistes sont,

Comment pouvons-nous simuler le comportement d’un seul neurone sur un ordinateur ?
Comment pouvons-nous simuler un réseau de neurones ?

Modèles interprétatifs : Ceux-ci utilisent les principes computationnels et de la théorie de l’information pour explorer la signification comportementale et cognitive de divers aspects de la fonctionnalité du système nerveux, en répondant à la question « Pourquoi les systèmes nerveux fonctionnent comme ils le font ».

Les deux principales propriétés des modèles interprétatifs sont,

Pourquoi les cerveaux fonctionnent-ils comme ils le font ?
Quels sont les principes computationnels qui les sous-tendent ?