Comprendre l'architecture fonctionnelle du cerveau est un défi fondamental dans les neurosciences. Les connexions entre les neurones dictent finalement comment les informations sont traitées, transmises, stockées et récupérées, formant ainsi la base de nos fonctions cognitives. Les scientifiques étudient souvent la signalisation neuronale en enregistrant les brèves impulsions électriques qu'ils génèrent au fil du temps, souvent appelées «trains de pointes».
En raison de leur nature éclatante et apériodique, la déduction des relations causales entre les trains de pointes enregistrées à partir de différents neurones reste un défi important. Les méthodes traditionnelles de détection de causalité, telles que la causalité de Granger et l'entropie de transfert, nécessitent des séries chronologiques régulièrement échantillonnées, font des hypothèses de linéarité ou ont besoin de très grands ensembles de données. Cela les rend moins adaptés à la dynamique plus chaotique et non linéaire inhérente aux systèmes biologiques comme le cerveau. Les scientifiques ont eu du mal à trouver des méthodes efficaces et sans modèle pour analyser directement les relations de causalité dans les réseaux de neurones et autres systèmes non linéaires avec des caractéristiques similaires.
Dans une étude récente, une équipe de recherche dirigée par le professeur adjoint Kazuya Sawada du Département d'information et de technologie informatique, Faculté d'ingénierie à l'Université des sciences de Tokyo (TUS), Japon, a développé avec succès une nouvelle technique pour détecter la causalité dans les trains de pics de neural. Leur article, co-écrit par le professeur Tohru Ikeguchi de Tus et le professeur agrégé Yutaka Shimada de l'Université Saitama, a été publié en ligne dans le volume 112, numéro 1 de Revue physique E le 28 juillet 2025.
La méthode de l'équipe s'appuie sur un cadre connu appelé Convergent Cross Mapping (CCM), qui est efficace pour analyser la causalité entre les données de séries chronologiques non linéaires. Cependant, le CCM conventionnel ne peut pas être appliqué aux données de séries chronologiques avec des intervalles d'échantillonnage irréguliers (comme les trains de pointes). Pour y remédier, les chercheurs ont d'abord utilisé une technique pour reconstruire l'espace d'état d'un système à partir des intervalles interspike (ISIS), qui est le moyen le plus habituel de stocker les données des enregistrements de train de Spike. Ils ont ensuite conçu une nouvelle approche pour établir la correspondance temporelle entre différentes séries chronologiques ISI.
La combinaison de ces deux méthodes a entraîné une nouvelle façon de déterminer la causalité dans les trains de pointes. L'idée principale est de calculer la précision des prédictions que l'on fait sur un train de pointes donné sur la base des données des autres, en se concentrant spécifiquement sur le fait que cette précision augmente ou reste faible à mesure que davantage de données sont fournies. « La méthode proposée dans notre article diffère des précédentes en ce qu'elle peut être directement appliquée aux séquences de pointes et identifier les relations causales dans les données générées par des systèmes complexes non linéaires qui ne peuvent pas être représentés par des règles simples,« Souligne le Dr Sawada. La causalité entre les neurones peut être détectée à partir de trains de pointes facilement observables, estimant ainsi leur connectivité.
Pour tester l'efficacité de leur méthode, les chercheurs l'ont appliqué à un modèle mathématique bien étudié des neurones avec des connexions causales connues. Grâce à des expériences numériques, ils ont démontré que l'approche proposée a détecté avec précision le couplage bidirectionnel, unidirectionnel et inexistant entre les neurones. Il s'est avéré efficace même en présence d'un couplage faible avec un bruit interne, une caractéristique commune des systèmes biologiques.
En fournissant un nouvel outil pour déduire la connectivité neuronale à partir des données de train de Spike, cette recherche ouvre la porte à une compréhension plus granulaire de la façon dont les informations sont traitées dans le cerveau. « Les connexions entre les neurones du cerveau ne sont pas encore entièrement comprises, et les méthodes de détection de causalité peuvent être utilisées pour estimer non seulement les connexions structurelles et anatomiques, mais aussi des connexions efficaces« Explique le Dr Sawada. »Si nous pouvions clarifier la nature de ces connexions efficaces dans le cerveau, cela contribuerait à une meilleure compréhension des troubles et des maladies mentales causées par des connexions neuronales, ouvrant potentiellement la voie à de nouvelles thérapies.«L'étude peut avoir des implications dans la compréhension du mécanisme derrière l'épilepsie et dans le diagnostic de la schizophrénie et du trouble bipolaire qui pourrait être causé par un déséquilibre entre les neurones excitateurs et inhibiteurs.
Le Dr Sawada a expliqué que la détection de la causalité se concentrait uniquement sur deux ou trois neurones dans leur étude et a souligné que les recherches futures se concentreront sur l'extension de la méthode à des réseaux plus grands. Cela aidera à explorer l'applicabilité de l'étude à une dynamique neuronale plus complexe. Il convient de noter à quel point les données de séries chronologiques sont courantes similaires aux trains de pointes sont considérées dans d'autres contextes connues comme des «processus ponctuels» – les résultats de cette étude pourraient également guider le développement de nouvelles techniques pour évaluer la causalité dans des domaines tels que la finance, la sismologie et la logistique.
