Un énorme nouvel ensemble de données repousse les limites des neurosciences

Les neuroscientifiques utilisent donc une approche appelée « réduction de la dimensionnalité » pour rendre cette visualisation possible : ils prennent des données de milliers de neurones et, en appliquant des techniques intelligentes d’algèbre linéaire, décrivent leurs activités en utilisant seulement quelques variables. C’est exactement ce que les psychologues ont fait dans les années 1990 pour définir leurs cinq grands domaines de la personnalité humaine : l’ouverture, l’amabilité, la conscience, l’extraversion et le névrosisme. Ils ont découvert qu’en sachant simplement comment un individu avait obtenu un score sur ces cinq traits, ils pouvaient prédire efficacement comment cette personne répondrait à des centaines de questions lors d’un test de personnalité.

Mais les variables extraites des données neuronales ne peuvent pas être exprimées en un seul mot comme “ouverture”. Ils ressemblent davantage à des motifs, des schémas d’activité qui couvrent des populations neuronales entières. Quelques-uns de ces motifs peuvent définir les axes d’un tracé, dans lequel chaque point représente une combinaison différente de ces motifs, son propre profil d’activité unique.

Il y a des inconvénients à réduire les données de milliers de neurones à quelques variables seulement. Tout comme la prise d’une image 2D d’un paysage urbain 3D rend certains bâtiments totalement invisibles, entasser un ensemble complexe de données neuronales dans seulement quelques dimensions élimine beaucoup de détails. Mais travailler dans quelques dimensions est beaucoup plus gérable que d’examiner des milliers de neurones individuels à la fois. Les scientifiques peuvent tracer des modèles d’activité évolutifs sur les axes définis par les motifs pour observer comment le comportement des neurones change au fil du temps. Cette approche s’est avérée particulièrement fructueuse dans le cortex moteur, une région où les réponses confuses et imprévisibles d’un seul neurone ont longtemps déconcerté les chercheurs. Cependant, vus collectivement, les neurones tracent des trajectoires régulières, souvent circulaires. Les caractéristiques de ces trajectoires sont en corrélation avec des aspects particuliers du mouvement – leur emplacement, par exemple, est lié à la vitesse.

Olsen dit qu’il s’attend à ce que les scientifiques utilisent la réduction de la dimensionnalité pour extraire des modèles interprétables à partir des données complexes. « Nous ne pouvons pas procéder neurone par neurone », dit-il. “Nous avons besoin d’outils statistiques, d’outils d’apprentissage automatique, qui peuvent nous aider à trouver une structure dans les mégadonnées.”

Mais cette veine de recherche en est encore à ses débuts et les scientifiques ont du mal à s’entendre sur la signification des modèles et des trajectoires. “Les gens se battent tout le temps pour savoir si ces choses sont factuelles”, explique John Krakauer, professeur de neurologie et de neurosciences à l’Université Johns Hopkins. “Sont ils réels? Peuvent-ils être interprétés aussi facilement [as single-neuron responses]? Ils ne se sentent pas aussi ancrés et concrets.

Pour ramener ces trajectoires sur terre, il faudra développer de nouveaux outils analytiques, dit Churchland, une tâche qui sera sûrement facilitée par la disponibilité d’ensembles de données à grande échelle comme ceux de l’Institut Allen. Et les capacités uniques de l’institut, avec ses poches profondes et son énorme personnel de recherche, lui permettront de produire de plus grandes masses de données pour tester ces outils. L’institut, dit Olsen, fonctionne comme un observatoire astronomique – aucun laboratoire ne pourrait payer pour ses technologies, mais l’ensemble de la communauté scientifique bénéficie de ses capacités expérimentales et y contribue.

Actuellement, dit-il, l’Institut Allen travaille sur le pilotage d’un système où les scientifiques de toute la communauté de la recherche peuvent suggérer quels types de stimuli animaux devraient être montrés et quels types de tâches ils devraient effectuer, tandis que des milliers de leurs neurones sont enregistrés. . Alors que les capacités d’enregistrement continuent d’augmenter, les chercheurs s’efforcent de concevoir des paradigmes expérimentaux plus riches et plus réalistes, pour observer comment les neurones réagissent aux types de tâches difficiles du monde réel qui poussent leurs capacités collectives. “Si nous voulons vraiment comprendre le cerveau, nous ne pouvons pas nous contenter de montrer des barres orientées au cortex”, explique Fusi. “Il faut vraiment qu’on avance”