183. NEUROSCIENCES

Mouvement de mémorisation et d’apprentissage

Résumé : En se concentrant sur les plus grands neurones pyramidaux du cortex moteur, les chercheurs ont découvert que les branches dendritiques ne se contentent pas de transmettre des informations de mouvement vers l’avant. Chaque sous-branche calcule les informations et les transmet à des sous-branches plus grandes, qui à leur tour effectuent la même opération. Plusieurs rameaux dendritiques peuvent interagir les uns avec les autres pour amplifier leur produit de calcul combiné.

Source: Institut de technologie Technion-Isreal

Dès notre naissance, et même avant cela, nous interagissons avec le monde par le mouvement. Nous bougeons nos lèvres pour sourire ou pour parler. Nous tendons la main au toucher. Nous bougeons nos yeux pour voir. On bouge, on marche, on fait des gestes, on danse.

Comment notre cerveau se souvient-il de ce large éventail de mouvements ? Comment en apprend-il de nouveaux ? Comment fait-il les calculs nécessaires pour que nous prenions un verre d’eau, sans le laisser tomber, l’écraser ou le manquer ?

Jackie Schiller, professeure au Technion de la faculté de médecine Ruth et Bruce Rappaport, et son équipe ont examiné le cerveau au niveau d’un seul neurone pour faire la lumière sur ce mystère.

Ils ont découvert que le calcul se produit non seulement dans l’interaction entre les neurones (cellules nerveuses), mais dans chaque neurone individuel. Chacune de ces cellules, il s’avère, n’est pas un simple interrupteur, mais une machine à calculer compliquée.

Cette découverte, publiée récemment dans le magazine Science, promet des changements non seulement dans notre compréhension du fonctionnement du cerveau, mais aussi dans une meilleure compréhension de conditions allant de la maladie de Parkinson à l’autisme. Et comme si cela ne suffisait pas, ces mêmes résultats devraient faire progresser l’apprentissage automatique, offrant une inspiration pour de nouvelles architectures.

Le mouvement est contrôlé par le cortex moteur primaire du cerveau. Dans ce domaine, les chercheurs sont en mesure de déterminer exactement quel(s) neurone(s) se déclenche(nt) à un moment donné pour produire le mouvement que nous voyons. L’équipe du professeur Schiller a été la première à se rapprocher encore plus, en examinant l’activité non pas du neurone entier comme une seule unité, mais de ses parties.

Chaque neurone a des extensions ramifiées appelées dendrites. Ces dendrites sont en contact étroit avec les terminaux (appelés axones) d’autres cellules nerveuses, ce qui permet la communication entre elles.

Un signal se déplace des dendrites au corps de la cellule, puis transféré à travers l’axone. Le nombre et la structure des dendrites varient considérablement d’une cellule nerveuse à l’autre, comme la couronne d’un arbre diffère de la couronne d’un autre.

Les neurones particuliers sur lesquels l’équipe du professeur Schiller s’est concentrée étaient les plus grands neurones pyramidaux du cortex. Ces cellules, connues pour être fortement impliquées dans le mouvement, ont un grand arbre dendritique, avec de nombreuses branches, sous-branches et sous-sous-branches.

Ce que l’équipe a découvert, c’est que ces branches ne se contentent pas de transmettre des informations. Chaque sous-sous-branche effectue un calcul sur les informations qu’elle reçoit et transmet le résultat à la sous-branche la plus grande.

La sous-succursale effectue ensuite un calcul sur les informations reçues de toutes ses filiales et les transmet. De plus, plusieurs rameaux dendritiques peuvent interagir les uns avec les autres pour amplifier leur produit de calcul combiné.

Le résultat est un calcul complexe effectué dans chaque neurone individuel. Pour la première fois, l’équipe du professeur Schiller a montré que le neurone est compartimenté et que ses branches effectuent des calculs indépendamment.

« Nous avions l’habitude de penser à chaque neurone comme une sorte de sifflet, qui soit toot, soit ne le fait pas », explique le professeur Schiller.

« Au lieu de cela, nous envisageons un piano. Ses touches peuvent être frappées simultanément, ou en séquence, produisant une infinité de mélodies différentes. Cette symphonie complexe qui joue dans notre cerveau est ce qui nous permet d’apprendre et d’exécuter une infinité de mouvements différents, complexes et précis.

De multiples troubles neurodégénératifs et neurodéveloppementaux sont susceptibles d’être liés à des altérations de la capacité du neurone à traiter les données.

Dans la maladie de Parkinson, il a été observé que l’arbre dendritique subit des changements anatomiques et physiologiques. À la lumière des nouvelles découvertes de l’équipe du Technion, nous comprenons qu’à la suite de ces changements, la capacité du neurone à effectuer des calculs parallèles est réduite.

Dans l’autisme, il semble possible que l’excitabilité des branches dendritiques soit altérée, ce qui entraîne les nombreux effets associés à la maladie.

Comment notre cerveau se souvient-il de ce large éventail de mouvements ? Comment en apprend-il de nouveaux ? L’image est dans le domaine public

La nouvelle compréhension du fonctionnement des neurones ouvre de nouvelles voies de recherche en ce qui concerne ces troubles et d’autres, dans l’espoir de les soulager.

Ces mêmes résultats peuvent également servir d’inspiration pour la communauté de l’apprentissage automatique. Les réseaux de neurones profonds, comme leur nom l’indique, tentent de créer un logiciel qui apprend et fonctionne de manière quelque peu similaire à un cerveau humain.

Bien que leurs progrès fassent constamment l’actualité, ces réseaux sont primitifs par rapport à un cerveau vivant. Une meilleure compréhension du fonctionnement réel de notre cerveau peut aider à concevoir des réseaux neuronaux plus complexes, leur permettant d’effectuer des tâches plus complexes.

Cette étude a été menée par deux des étudiants candidats au doctorat du professeur Schiller, Yara Otor et Shay Achvat, qui ont contribué à parts égales à la recherche. L’équipe comprenait également le boursier postdoctoral Nate Cermak (maintenant neuroingénieur) et l’étudiant au doctorat Hadas Benisty, ainsi que trois collaborateurs: les professeurs Omri Barak, Yitzhak Schiller et Alon Poleg-Polsky.

Financement: L’étude a été partiellement soutenue par la Fondation israélienne pour la science, les fonds Prince, la Fondation Rappaport et la bourse postdoctorale Zuckerman.

À propos de ce mouvement recherche nouvelles

Auteur: Doron Shaham
Source: Institut de technologie Technion-Israël
Contact: Doron Shaham – Technion-Israel Institute of Technology
Image: L’image est dans le domaine public

Recherche originale : Accès fermé.
" Calculs compartimentaux dynamiques dans les dendrites de touffe des neurones de la couche 5 pendant le comportement moteur « par Jackie Schiller et al. Science

Calculs compartimentaux dynamiques dans les dendrites de touffe des neurones de la couche 5 pendant le comportement moteur

Les dendrites de tuft des neurones pyramidaux de la couche 5 forment des compartiments spécialisés importants pour l’apprentissage moteur et la performance, mais leurs capacités de calcul restent floues.

La cartographie structurale et fonctionnelle de l’arbre de touffe du cortex moteur pendant les tâches motrices a révélé deux populations morphologiquement distinctes de neurones du tractus pyramidal de couche 5 (PTN) qui présentent des propriétés de calcul de touffe spécifiques.

Les PTN à bifurcation précoce et à grand lien ont montré une compartimentation fonctionnelle marquée de la touffe, représentant différentes combinaisons de variables motrices à l’intérieur et entre leurs deux hémi-arbres de touffes.

En revanche, la bifurcation tardive et les PTN nexus plus petits ont montré une activation synchrone de la touffe. La structure dendritique et le recrutement dynamique du mécanisme de pic de N-méthyl-D-aspartate (NMDA) ont expliqué les schémas de compartimentation différentielle.

Nos résultats soutiennent un cadre morphologiquement dépendant pour les calculs moteurs, dans lequel des unités d’amplification indépendantes peuvent être recrutées de manière combinatoire pour représenter différentes séquences motrices au sein d’un même arbre.

Juillet 2022