Chaque jour, notre cerveau prend des milliers de décisions, grandes et petites. Toute de ces décisions – des moins conséquentes, comme choisir un restaurant aux plus importantes, comme poursuivre une carrière différente ou déménager dans une nouvelle ville – peut entraîner des résultats meilleurs ou pires.
Comment le cerveau évalue-t-il le risque et la récompense pour passer ces appels? La réponse à cette question continue de puander les scientifiques, mais une nouvelle étude réalisée par des chercheurs de la Harvard Medical School et de l'Université Harvard offre des indices intrigants.
La recherche, publiée le 19 février Nature et soutenu en partie par le financement fédéral, incorporé des concepts d'apprentissage automatique dans des expériences de souris pour étudier les circuits cérébraux qui soutiennent les décisions basées sur la récompense.
Les scientifiques ont découvert deux groupes de cellules cérébrales chez la souris: une qui aide les souris à découvrir les résultats supérieurs à la moyenne et à un autre associé à des résultats inférieurs à la moyenne. Ensemble, les expériences ont montré que ces cellules permettent au cerveau d'évaluer toute la gamme de récompenses possibles associées à un choix.
Nos résultats suggèrent que les souris – et par extension, les autres mammifères – semblent représenter des détails plus fins sur le risque et la récompense que nous le pensions auparavant. «
Jan Drugowitsch, auteur co-ennior, professeur agrégé de neurobiologie, Blavatnik Institute à la Harvard Medical School
S'il est confirmé chez l'homme, les résultats pourraient fournir un cadre pour comprendre comment le cerveau humain prend des décisions basées sur la récompense et ce qui arrive à la capacité de juger des risques et des récompenses lorsque les circuits de récompense échouent.
L'apprentissage automatique illumine les décisions basées sur les récompenses
Les neuroscientifiques s'intéressent depuis longtemps à la façon dont le cerveau utilise les expériences passées pour prendre de nouvelles décisions. Cependant, selon Drugowitsch, de nombreuses théories traditionnelles sur une telle prise de décision ne capturent pas la complexité et la nuance du comportement du monde réel.
Drugowitsch utilise l'exemple de la sélection d'un restaurant: si vous êtes d'humeur pour jouer en toute sécurité, vous pouvez choisir un restaurant avec un menu qui vous dit que vous dites de manière fiable, et si vous avez envie de prendre un risque, vous pouvez opter pour Un restaurant que vous connaissez offre un mélange de plats exceptionnels et inférieurs.
Dans l'exemple ci-dessus, les restaurants diffèrent considérablement dans leur gamme d'offres, mais les théories des neurosciences existantes les considèrent comme équivalentes lorsqu'elles sont moyennées et prédisent ainsi une probabilité de choisir non plus.
« Nous savons que ce n'est pas ainsi que les humains et les animaux agissent – nous pouvons décider entre rechercher des risques et jouer en toute sécurité », a déclaré Drugowitsch. « Nous avons un sentiment de récompenses plus que les récompenses attendues moyennes associées à nos choix. »
Ces dernières années, les chercheurs d'apprentissage automatique ont développé une théorie de la prise de décision qui capture mieux la gamme complète de récompenses potentielles liées à un choix. Ils ont incorporé cette théorie dans un nouvel algorithme d'apprentissage automatique qui a surperformé les algorithmes alternatifs dans les jeux vidéo d'Atari et une gamme d'autres tâches dans lesquelles chaque décision a plusieurs résultats possibles.
« Ils ont essentiellement demandé ce qui se passait si plutôt que d'apprendre des récompenses moyennes pour certaines actions, l'algorithme apprend toute la distribution, et ils l'ont trouvé considérablement amélioré », a déclaré Drugowitsch.
En 2020 Nature Paper, Naoshige Uchida, professeur de biologie moléculaire et cellulaire à l'Université de Harvard, et ses collègues ont réanalysé les données existantes pour explorer si cette théorie d'apprentissage de la machine s'appliquait aux neurosciences, dans le contexte de la prise de décision dans les cerveaux des rongeurs. L'analyse a montré que chez la souris, l'activité de la dopamine des neurotransmetteurs – qui joue un rôle dans la recherche de récompense, le plaisir et la motivation – correspondait aux signaux d'apprentissage de récompense prédits par l'algorithme.
En d'autres termes, a déclaré Drugowitsch, les travaux ont suggéré que le nouvel algorithme était mieux pour expliquer l'activité de la dopamine.
Comment les cerveaux de souris représentent une gamme de récompenses
Dans la nouvelle étude, Drugowitsch s'est associé à l'auteur co-ennior Uchida pour aller plus loin aux recherches. Ensemble, ils ont conçu des expériences de souris pour voir comment ce processus se déroule dans une région du cerveau appelé le striatum ventral, qui stocke des informations sur les récompenses possibles associées à une décision.
« L'activité de la dopamine ne fournit le signal d'apprentissage que pour les récompenses attendues, mais nous voulions trouver des représentations de ces récompenses apprises directement dans le cerveau », a déclaré Drugowitsch.
Les chercheurs ont formé des souris pour associer différentes odeurs à des récompenses de variations variables – en substance, les souris enseignant la gamme de résultats possibles d'un choix. Ils ont ensuite présenté les souris avec des odeurs et observé le comportement de léchage (les souris se lèchent davantage en prévision de meilleures récompenses) tout en enregistrant l'activité neuronale dans le striatum ventral.
L'équipe a identifié deux groupes distincts de neurones dans le cerveau: l'un qui aide une souris à découvrir des résultats meilleurs que prévu et un autre lié à des résultats pires que prévu.
« Vous pouvez penser à cela comme un optimiste et un pessimiste dans votre cerveau, vous donnant tous deux des conseils sur ce qu'il faut faire ensuite », a expliqué Drugowitsch.
Lorsque les chercheurs ont fait taire les neurones « optimistes », la souris a présenté un comportement suggérant qu'elle prévoyait une récompense moins attrayante. Inversement, lorsque les chercheurs ont fait taire les neurones « pessimistes », la souris s'est comportée comme si elle s'attendait à une gâterie à une valeur plus élevée.
« Ces deux groupes de cellules cérébrales travaillent ensemble pour former une représentation de la répartition complète des récompenses potentielles pour une décision », a déclaré Drugowitsch.
Les chercheurs voient de nombreuses orientations futures pour leur travail, y compris la façon dont le cerveau prend des décisions en cas d'incertitude sur ce que représente chaque option initiale et comment leurs résultats s'appliquent au raisonnement plus général sur le monde.
Drugowitsch a noté que davantage de recherches sont nécessaires pour confirmer les résultats chez l'homme et adapter les résultats à la complexité de la prise de décision humaine. Cependant, sur la base des parallèles entre la souris et le cerveau humain, il pense que le travail peut déjà éclairer la façon dont les humains évaluent le risque dans les décisions et pourquoi les personnes ayant certaines conditions telles que la dépression ou la dépendance peuvent avoir du mal à de telles évaluations.
