Une tranche de pizza gluante. Un tas de frites croustillantes. Crème glacée dégoulinant d’un cône par une chaude journée d’été. Selon une nouvelle étude menée par des neuroscientifiques du MIT, lorsque vous regardez l’un de ces aliments, une partie spécialisée de votre cortex visuel s’illumine.
Cette population nouvellement découverte de neurones sensibles à la nourriture est située dans le flux visuel ventral, aux côtés de populations qui réagissent spécifiquement aux visages, aux corps, aux lieux et aux mots. La découverte inattendue peut refléter l’importance particulière de la nourriture dans la culture humaine, disent les chercheurs.
La nourriture est au cœur des interactions sociales humaines et des pratiques culturelles. Ce n’est pas seulement la subsistance. La nourriture est au cœur de tant d’éléments de notre identité culturelle, de nos pratiques religieuses et de nos interactions sociales, et de bien d’autres choses que les humains font. »
Nancy Kanwisher, professeure Walter A. Rosenblith de neurosciences cognitives et membre du McGovern Institute for Brain Research et du Center for Brains, Minds, and Machines du MIT
Les résultats, basés sur une analyse d’une grande base de données publique des réponses du cerveau humain à un ensemble de 10 000 images, soulèvent de nombreuses questions supplémentaires sur comment et pourquoi cette population neuronale se développe. Dans de futures études, les chercheurs espèrent explorer comment les réponses des gens à certains aliments pourraient différer selon leurs goûts et leurs aversions, ou leur familiarité avec certains types d’aliments.
Le post-doctorant du MIT Meenakshi Khosla est l’auteur principal de l’article, avec le chercheur du MIT N. Apurva Ratan Murty. L’étude paraît dans la revue Biologie actuelle.
Catégories visuelles
Il y a plus de 20 ans, alors qu’il étudiait le flux visuel ventral, la partie du cerveau qui reconnaît les objets, Kanwisher a découvert des régions corticales qui répondent sélectivement aux visages. Plus tard, elle et d’autres scientifiques ont découvert d’autres régions qui réagissent sélectivement aux lieux, aux corps ou aux mots. La plupart de ces zones ont été découvertes lorsque des chercheurs ont spécifiquement entrepris de les rechercher. Cependant, cette approche basée sur des hypothèses peut limiter ce que vous finissez par trouver, dit Kanwisher.
« Il pourrait y avoir d’autres choses que nous ne penserions peut-être pas à rechercher », dit-elle. « Et même lorsque nous trouvons quelque chose, comment savons-nous que cela fait en fait partie de la structure dominante de base de cette voie, et non quelque chose que nous avons trouvé simplement parce que nous le cherchions? »
Pour tenter de découvrir la structure fondamentale du flux visuel ventral, Kanwisher et Khosla ont décidé d’analyser un vaste ensemble de données accessible au public de réponses d’imagerie par résonance magnétique fonctionnelle (IRMf) du cerveau complet de huit sujets humains alors qu’ils visionnaient des milliers d’images.
« Nous voulions voir quand nous appliquons une stratégie basée sur les données et sans hypothèse, quels types de sélectivités apparaissent et si elles sont cohérentes avec ce qui avait été découvert auparavant. Un deuxième objectif était de voir si nous pouvions découvrir de nouvelles sélectivités qui soit n’ont pas fait l’objet d’hypothèses auparavant, soit sont restées cachées en raison de la résolution spatiale plus faible des données IRMf », explique Khosla.
Pour ce faire, les chercheurs ont appliqué une méthode mathématique qui leur permet de découvrir des populations de neurones qui ne peuvent pas être identifiées à partir des données d’IRMf traditionnelles. Une image IRMf est composée de nombreux voxels – ; unités tridimensionnelles qui représentent un cube de tissu cérébral. Chaque voxel contient des centaines de milliers de neurones, et si certains de ces neurones appartiennent à des populations plus petites qui répondent à un type d’entrée visuelle, leurs réponses peuvent être noyées par d’autres populations au sein du même voxel.
La nouvelle méthode analytique, que le laboratoire de Kanwisher a précédemment utilisée sur les données IRMf du cortex auditif, peut démêler les réponses des populations neuronales dans chaque voxel des données IRMf.
En utilisant cette approche, les chercheurs ont trouvé quatre populations qui correspondaient à des groupes précédemment identifiés qui réagissent aux visages, aux lieux, aux corps et aux mots. « Cela nous dit que cette méthode fonctionne, et cela nous dit que les choses que nous avons trouvées auparavant ne sont pas seulement des propriétés obscures de cette voie, mais des propriétés majeures et dominantes », déclare Kanwisher.
Curieusement, une cinquième population a également émergé, et celle-ci semblait être sélective pour les images de nourriture.
« Nous avons d’abord été assez intrigués par cela parce que la nourriture n’est pas une catégorie visuellement homogène », explique Khosla. « Des choses comme les pommes, le maïs et les pâtes se ressemblent tellement les unes les autres, mais nous avons trouvé une seule population qui réagit de la même manière à tous ces aliments divers. »
La population spécifique à l’alimentation, que les chercheurs appellent la composante alimentaire ventrale (VFC), semble être répartie sur deux groupes de neurones, situés de part et d’autre de la FFA. Le fait que les populations spécifiques à un aliment soient réparties entre d’autres populations spécifiques à une catégorie peut aider à expliquer pourquoi elles n’ont pas été vues auparavant, selon les chercheurs.
« Nous pensons que la sélectivité alimentaire était plus difficile à caractériser auparavant car les populations sélectives pour la nourriture sont mélangées à d’autres populations voisines qui ont des réponses distinctes à d’autres attributs de stimulus. La faible résolution spatiale de l’IRMf nous empêche de voir cette sélectivité parce que les réponses de différentes populations neuronales se mélangent dans un voxel », explique Khosla.
Alimentaire vs non alimentaire
Les chercheurs ont également utilisé les données pour former un modèle informatique du VFC, basé sur les modèles précédents que Murty avait développés pour les zones de reconnaissance du visage et des lieux du cerveau. Cela a permis aux chercheurs de mener des expériences supplémentaires et de prédire les réponses du VFC. Dans une expérience, ils ont alimenté le modèle avec des images assorties d’articles alimentaires et non alimentaires qui semblaient très similaires – ; par exemple, une banane et un croissant de lune jaune.
« Ces stimuli appariés ont des propriétés visuelles très similaires, mais le principal attribut par lequel ils diffèrent est comestible par rapport à non comestible », explique Khosla. « Nous pourrions alimenter ces stimuli arbitraires via le modèle prédictif et voir s’il répondrait encore plus à la nourriture qu’aux non-alimentaires, sans avoir à collecter les données IRMf. »
Ils pourraient également utiliser le modèle informatique pour analyser des ensembles de données beaucoup plus volumineux, composés de millions d’images. Ces simulations ont permis de confirmer que le VFC est très sélectif pour les images de nourriture.
À partir de leur analyse des données d’IRMf humaines, les chercheurs ont découvert que chez certains sujets, le VFC répondait légèrement plus aux aliments transformés tels que la pizza qu’aux aliments non transformés comme les pommes. À l’avenir, ils espèrent explorer comment des facteurs tels que la familiarité et l’amour ou l’aversion pour un aliment particulier pourraient affecter les réponses des individus à cet aliment.
Ils espèrent également étudier quand et comment cette région se spécialise au cours de la petite enfance, et avec quelles autres parties du cerveau elle communique. Une autre question est de savoir si cette population alimentaire sélective sera observée chez d’autres animaux tels que les singes, qui n’attachent pas la signification culturelle à la nourriture que les humains font.
La recherche a été financée par les National Institutes of Health, le National Eye Institute et la National Science Foundation par le biais du MIT Center for Brains, Minds, and Machines.
