La variabilité corrélée dans le cerveau entraîne un codage sensoriel hautement sous-optimal

Contexte académique

Le cerveau perçoit le monde à travers l’activité des populations neuronales, mais il reste incertain si l’objectif computationnel du codage sensoriel est de soutenir la discrimination des stimuli sensoriels ou de générer un modèle interne du monde sensoriel. La variabilité corrélée (corrélations de bruit) est couramment observée dans les populations neuronales, et de nombreuses études montrent qu’elle améliore la capacité de discrimination du codage sensoriel par rapport à un modèle nul sans corrélations. Cependant, ces études n’ont pas exploré si la variabilité corrélée est optimale pour le codage sensoriel discriminant. Si l’objectif computationnel du codage sensoriel est discriminant, alors la variabilité corrélée devrait être optimisée pour soutenir cet objectif. Cet article évalue l’optimalité de la variabilité corrélée pour le codage sensoriel discriminant en développant deux nouveaux modèles nuls, et constate que la variabilité corrélée est hautement sous-optimale dans plusieurs ensembles de données.

Source de l’article

Cet article a été co-écrit par Jesse A. Livezey, Pratik S. Sachdeva, Maximilian E. Dougherty, Mathew T. Summers et Kristofer E. Bouchard. Les auteurs proviennent de plusieurs institutions de recherche, notamment le Lawrence Berkeley National Laboratory, l’Université de Californie à Berkeley et l’Université de Californie à San Francisco. L’article a été publié pour la première fois le 6 novembre 2024 dans le Journal of Neurophysiology, avec le DOI 10.1152/jn.00313.2024.

Méthodologie de recherche

1. Collecte et prétraitement des données

L’étude utilise trois ensembles de données neuronaux différents, couvrant divers modèles animaux, régions cérébrales et méthodes d’enregistrement : - Ensemble de données rétiniennes : Enregistrements par imagerie calcique des cellules ganglionnaires de la rétine (RGC) de souris en réponse à des stimuli de barres en mouvement. - Ensemble de données du cortex visuel primaire (V1) : Enregistrements électrophysiologiques unitaires des neurones du V1 de macaques en réponse à des stimuli de grilles en mouvement. - Ensemble de données du cortex auditif primaire (PAC) : Enregistrements par micro-électrocorticographie (μECoG) du PAC de rats en réponse à des stimuli sonores.

Chaque ensemble de données a été prétraité, incluant la correction de la ligne de base et la normalisation, pour assurer la comparabilité des données et l’exactitude de l’analyse.

2. Développement des modèles nuls

Pour évaluer l’optimalité de la variabilité corrélée pour le codage sensoriel discriminant, l’étude a développé deux nouveaux modèles nuls : - Modèle nul à corrélation uniforme (UC) : Maintient la variance privée de chaque neurone constante, mais permet une variation aléatoire des corrélations entre les neurones. - Modèle nul d’analyse factorielle (FA) : Décompose la covariance observée en variance privée et variabilité partagée, et génère des modèles nuls en faisant tourner la variabilité partagée.

Ces deux modèles reposent sur des hypothèses biologiques différentes : le modèle UC suppose que les corrélations entre neurones peuvent être ajustées en modifiant la force des connexions, tandis que le modèle FA suppose que la variabilité partagée provient d’une activité neuronale non observée.

3. Calcul de l’information de Fisher linéaire (LFI)

L’étude utilise l’information de Fisher linéaire (LFI) comme mesure de la capacité des populations neuronales à discriminer les stimuli sensoriels. La LFI quantifie la quantité d’information disponible dans l’activité neuronale pour distinguer différents stimuli. Pour chaque ensemble de données, l’étude a calculé la LFI observée et l’a comparée à la distribution de la LFI générée par les modèles nuls, afin d’évaluer si la variabilité corrélée observée est optimale.

4. Analyse des résultats

L’étude a analysé un grand nombre de sous-populations et de paires de stimuli, et a constaté que la variabilité corrélée observée est hautement sous-optimale pour le codage sensoriel discriminant dans plusieurs ensembles de données. Plus précisément : - Modèle nul UC : La LFI observée est généralement inférieure à la distribution de la LFI générée par le modèle nul UC, indiquant que la variabilité corrélée est sous-optimale pour le codage sensoriel discriminant. - Modèle nul FA : La LFI observée est également généralement inférieure à la distribution de la LFI générée par le modèle nul FA, confirmant davantage la sous-optimalité de la variabilité corrélée.

De plus, l’étude a montré que la sous-optimalité devient plus prononcée à mesure que la taille de la population neuronale augmente, ce qui suggère que les grandes populations neuronales sont moins performantes en matière de codage sensoriel discriminant.

Résultats principaux

1. Sous-optimalité de la variabilité corrélée

Les résultats montrent que la variabilité corrélée observée est hautement sous-optimale pour le codage sensoriel discriminant dans plusieurs ensembles de données. Plus précisément : - Modèle nul UC : La LFI observée est généralement inférieure à la distribution de la LFI générée par le modèle nul UC, indiquant que la variabilité corrélée est sous-optimale pour le codage sensoriel discriminant. - Modèle nul FA : La LFI observée est également généralement inférieure à la distribution de la LFI générée par le modèle nul FA, confirmant davantage la sous-optimalité de la variabilité corrélée.

2. Impact des contraintes biologiques

L’étude a également révélé que les contraintes biologiques limitent la capacité des populations neuronales à atteindre une variabilité corrélée optimale. Plus précisément : - Modèle nul UC : Les matrices de corrélation optimales ont souvent des corrélations par paires proches de 1, ce qui n’a jamais été observé dans les données expérimentales. - Modèle nul FA : Les matrices de covariance optimales ont souvent des distributions unitaires différentes de celles des données expérimentales, indiquant que les covariances optimales ne sont pas biologiquement réalisables.

3. Réduction exponentielle des sous-populations optimales

L’étude a également montré que les sous-populations optimales diminuent de manière exponentielle à mesure que la taille de la population neuronale augmente. Plus précisément : - Modèle nul UC : Dans les ensembles de données rétiniennes et V1, presque aucune sous-population n’atteint l’optimalité. - Modèle nul FA : Dans l’ensemble de données PAC, la proportion de sous-populations optimales diminue rapidement à mesure que la taille de la population neuronale augmente.

Conclusion

Cette étude a développé deux nouveaux modèles nuls pour évaluer l’optimalité de la variabilité corrélée dans les populations neuronales pour le codage sensoriel discriminant, et a constaté que la variabilité corrélée est hautement sous-optimale dans plusieurs ensembles de données. Les résultats montrent que les contraintes biologiques limitent la capacité des populations neuronales à atteindre une variabilité corrélée optimale, et que les sous-populations optimales diminuent de manière exponentielle à mesure que la taille de la population neuronale augmente. Ces découvertes révèlent la sous-optimalité de la variabilité corrélée dans le codage sensoriel et offrent de nouvelles perspectives pour comprendre les principes fondamentaux du calcul neuronal.

Points forts de l’étude

• Nouveaux modèles nuls : L’étude a développé deux nouveaux modèles nuls (UC et FA) pour évaluer l’optimalité de la variabilité corrélée pour le codage sensoriel discriminant.
• Validation sur plusieurs ensembles de données : L’étude a validé la sous-optimalité de la variabilité corrélée dans plusieurs ensembles de données, couvrant différents modèles animaux, régions cérébrales et méthodes d’enregistrement.
• Impact des contraintes biologiques : L’étude a mis en lumière les contraintes biologiques qui limitent la capacité des populations neuronales à atteindre une variabilité corrélée optimale.
• Réduction exponentielle des sous-populations optimales : L’étude a révélé que les sous-populations optimales diminuent de manière exponentielle à mesure que la taille de la population neuronale augmente.

Signification de l’étude

Cette étude offre de nouvelles perspectives pour comprendre le rôle de la variabilité corrélée dans le codage sensoriel des populations neuronales, révélant sa sous-optimalité et ses contraintes biologiques. Ces découvertes sont non seulement importantes pour le domaine des neurosciences, mais elles fournissent également une base théorique pour le développement futur de modèles de codage neuronal plus efficaces.