Percer les secrets de la fonction neuronale : un flux de travail universel. Blue Brain a introduit un flux de travail universel utilisant des algorithmes évolutifs pour créer des modèles neuronaux précis. Cette approche simplifie la création de modèles, produit des modèles canoniques représentant des types neuronaux entiers et ouvre la voie à de futurs perfectionnements. Crédit : © Blue Brain Project / EPFL
Le projet Blue Brain introduit un flux de travail universel pour créer et valider des modèles neuronaux à l’aide d’outils open source.
Les modèles neuronaux biophysiquement détaillés offrent une fenêtre unique sur le fonctionnement de chaque neurone. Ils permettent aux chercheurs de manipuler les propriétés neuronales de manière systématique et réversible, ce qui est souvent impossible dans les expériences réelles.
Ces in silico les modèles ont joué un rôle central dans l’avancement de notre compréhension de la manière dont la morphologie neuronale influence l’excitabilité et de la manière dont les courants ioniques spécifiques contribuent au fonctionnement cellulaire. De plus, ils ont joué un rôle déterminant dans la construction de circuits neuronaux pour simuler et étudier l’activité cérébrale, offrant ainsi un aperçu de la danse complexe des neurones qui sous-tend nos pensées et nos actions.
Défis dans la création de modèles
Créer des modèles électriques précis qui reproduisent fidèlement les observations expérimentales n’est pas une tâche facile. Cela implique de quantifier la similarité entre les réponses du modèle et les comportements électrophysiologiques réels, ce qui peut s’avérer difficile lorsque des paramètres tels que la conductance des canaux ioniques et les propriétés de la membrane passive ne sont pas directement mesurables. Atteindre un score de similarité élevé nécessite souvent une exploration approfondie de l’espace des paramètres, une tâche qui peut s’avérer ardue et prendre du temps.
Les algorithmes évolutionnaires à la rescousse
Pour relever ces défis, les chercheurs se sont tournés vers les algorithmes évolutionnaires (EA). Les EA sont des outils efficaces pour l’optimisation globale des paramètres dans des espaces de grande dimension. En particulier, l’algorithme évolutif basé sur des indicateurs (IBEA) s’est montré prometteur dans ce contexte. Cependant, le domaine manque encore de flux de travail entièrement open source et reproductibles pour l’optimisation des modèles.
Le flux de travail universel de Blue Brain
Dans cette nouvelle étude, parue en couverture du numéro de novembre Motifs, Blue Brain présente un flux de travail universel révolutionnaire pour créer, valider et généraliser des modèles neuronaux détaillés. L’approche repose sur des outils open source, dont toutes les étapes sont disponibles gratuitement, et offre aux chercheurs une solution complète pour construire des modèles neuronaux pouvant représenter soit une seule cellule biologique, soit un type de cellules prédéfini.
Modèles neuronaux canoniques
L’une des caractéristiques uniques du flux de travail est la possibilité de créer des modèles neuronaux dits canoniques. « Plutôt que de personnaliser chaque modèle pour des neurones individuels, des modèles représentant un type neuronal entier sont créés », explique Werner Van Geit, chef de groupe chez BBP. « Cette approche est particulièrement utile lors de l’étude des propriétés d’un type neuronal spécifique et lors de la construction de grands circuits neuronaux. »
Application du flux de travail
Dans cette étude, les auteurs ont appliqué le flux de travail pour créer 40 modèles représentant 11 types électriques (types e) dans le cortex somatosensoriel du rat juvénile, la région du cortex cérébral responsable du traitement des informations sensorielles liées au toucher, à la pression, à la température et à la douleur. provenant de diverses parties du corps. Chaque modèle a été optimisé sur la base d’un ensemble de caractéristiques électrophysiologiques, garantissant une correspondance étroite avec les données expérimentales. Ces modèles canoniques ont ensuite été testés sur différentes morphologies pour évaluer leur généralisabilité.
En analysant les paramètres utilisés dans ces modèles, les scientifiques obtiennent un aperçu de leurs propriétés biophysiques. « L’analyse de sensibilité permet de révéler quels paramètres sont cruciaux pour les performances du modèle et lesquels peuvent varier sans affecter le résultat », souligne le co-auteur principal Christian Rössert, ajoutant « Cette compréhension plus approfondie est une aide significative pour affiner la création du modèle. »
Limites et orientations futures
Bien que cette approche soit efficace, les auteurs soulignent certaines limites actuelles. Certains types de neurones se généralisent bien sous diverses formes, tandis que d’autres ont des difficultés. Comprendre pourquoi certains modèles fonctionnent mieux avec des morphologies spécifiques est un domaine de recherche en cours. De plus, créer un modèle canonique unique signifie rejeter une partie de la variabilité observée dans les neurones réels. Pour résoudre ce problème, les neuroscientifiques peuvent créer plusieurs modèles basés sur la même entrée, introduisant ainsi des variations pour représenter la diversité du monde réel.
« L’ensemble des modèles électroniques présentés ici est basé sur des mesures électriques à partir d’enregistrements patch-clamp du corps principal des neurones », précise la co-auteure principale Maria Reva, « dans les versions futures, ces modèles pourront être enrichis avec plus de détails, comme comme l’intégration synaptique et dendritique et les courants ioniques supplémentaires.
«Ces améliorations nous permettront de mieux comprendre le fonctionnement des neurones», conclut Van Geit.
Cette étude a été soutenue par le financement du Blue Brain Project, un centre de recherche de l’École Polytechnique Fédérale de Lausanne (EPFL), du Conseil des EPF du gouvernement suisse des écoles polytechniques fédérales.
