Logo Zéphyrnet

Donner un sens aux données de masse générées par le déclenchement des neurones

Date :

Crédit : Université du Sussex.

Les scientifiques ont réalisé une percée dans la prédiction du comportement des neurones dans les grands réseaux opérant à la frontière mystérieuse du chaos.

Une nouvelle recherche de l'Université du Sussex et de l'Université de Kyoto décrit une nouvelle méthode capable d'analyser les masses de données générées par des milliers de neurones individuels.

Le nouveau cadre surpasse les modèles précédents dans la prédiction et l'évaluation des propriétés du réseau en estimant plus précisément les fluctuations d'un système avec une plus grande sensibilité aux changements de paramètres.

Alors que les nouvelles technologies permettent d'enregistrer des milliers de neurones d'animaux vivants, il existe une demande pressante d'outils mathématiques pour étudier la dynamique complexe et hors d'équilibre des ensembles de données de grande dimension qu'ils génèrent. Dans cette entreprise, les chercheurs espèrent aider à répondre à des questions clés sur la façon dont les animaux traitent l'information et s'adaptent aux changements environnementaux.

Les chercheurs pensent également que leur travail pourrait être efficace pour réduire le coût de calcul massif et l'empreinte carbone de la formation de grands modèles d'IA - rendant ces modèles beaucoup plus largement disponibles pour les petits laboratoires de recherche ou les entreprises.

Le Dr Miguel Aguilera, chercheur Marie Sklodowska-Curie à l'École d'ingénierie et d'informatique de l'Université du Sussex, a déclaré: "Ce n'est que très récemment que nous avons eu la technologie pour enregistrer des milliers de neurones individuels chez les animaux pendant qu'ils interagissent avec leur environnement, ce qui est une formidable avancée par rapport à l'étude des réseaux de neurones isolés dans des cultures de laboratoire ou chez des animaux immobilisés ou anesthésiés.

« C'est une avancée très excitante, mais nous n'avons pas encore les méthodes pour analyser et comprendre la quantité massive de données créées par un comportement hors d'équilibre. Notre contribution offre la possibilité de faire avancer la technologie pour trouver des modèles qui expliquent comment les neurones traitent l'information et génèrent un comportement.

Le papier, publié aujourd'hui dans Communications Nature, développe des méthodes pour approximer rapidement la dynamique complexe des modèles de réseaux de neurones qui capturent le comportement des vrais neurones observés en laboratoire, comment ils sont connectés et comment ils traitent les informations.

Dans un pas en avant significatif, l'équipe de recherche a créé une méthode qui fonctionne dans des situations très fluctuantes et hors d'équilibre dans lesquelles les animaux opèrent lorsqu'ils interagissent avec leur environnement dans le monde réel.

Le Dr Aguilera a déclaré: «La manière la plus efficace d'apprendre le fonctionnement des grands systèmes consiste à utiliser des modèles statistiques et des approximations, et les plus courantes sont les méthodes de champ moyen, où l'effet de toutes les interactions dans un réseau est approximé par un effet moyen simplifié.

« Mais ces techniques fonctionnent souvent dans des conditions très idéalisées. Les cerveaux sont en constante évolution, développement et adaptation, affichant des schémas fluctuants complexes et interagissant avec des environnements en évolution rapide. Notre modèle vise à capturer précisément les fluctuations de ces situations de non-équilibre que nous attendons des animaux se comportant librement dans leur environnement naturel.

La méthode statistique capture la dynamique des grands réseaux spécifiquement dans la région au bord du chaos, une région particulière de comportement entre activité chaotique et ordonnée, où se produisent d'intenses fluctuations de l'activité neuronale, appelées avalanches neuronales.

Contrairement aux modèles mathématiques précédents, les chercheurs ont appliqué une approche géométrique de l'information pour mieux capturer les corrélations de réseau, ce qui leur a permis de créer des cartes simplifiées se rapprochant de la trajectoire de l'activité neuronale qui, en réalité, parcourent des itinéraires extrêmement complexes et difficiles à calculer directement.

Le Dr S. Amin Moosavi, chercheur à la Graduate School of Informatics de l'Université de Kyoto, a déclaré : « La géométrie de l'information nous fournit une voie claire pour faire progresser systématiquement nos méthodes et suggérer de nouvelles approches, résultant en des outils d'analyse de données plus précis.

Le professeur Hideaki Shimazaki, professeur associé à la Graduate School of Informatics de l'Université de Kyoto, a déclaré : « En plus de fournir des méthodes de calcul avancées pour les grands systèmes, le cadre unifie de nombreuses approches existantes à partir desquelles nous pouvons faire progresser les neurosciences et l'apprentissage automatique. Nous sommes heureux d'offrir une telle vision unificatrice qui exprime une caractéristique du progrès scientifique en tant que produit de cette intense collaboration internationale.

Le Dr Aguilera appliquera ensuite ces méthodes pour modéliser des milliers de neurones de poisson zèbre en laboratoire interagissant avec une configuration de réalité virtuelle dans le cadre du projet DIMENSIVE financé par l'UE, qui vise à développer des modèles génératifs de comportement à grande échelle et à fournir des informations importantes sur la façon dont le comportement découle de l'interaction dynamique du système nerveux, du corps et de l'environnement d'un organisme.

###

Source : https://bioengineer.org/making-sense-of-the-mass-data-generated-from-firing-neurons/

spot_img

Dernières informations

spot_img