Reconnaître un mouvement nécessite une énorme quantité de puissance de calcul de la component du cerveau. Une nouvelle étude du département d’Alexander Borst de l’Institut Max Planck d’intelligence biologique montre comment le cerveau de la mouche maîtrise cette tâche : en effectuant un calcul neuronal sur trois niveaux de réseau, il répartit la charge de travail sur plusieurs étapes. C’est la première fois que des chercheurs déchiffrent un réseau neuronal dans lequel un kind de cellule effectue le même calcul à tous les niveaux du réseau. Cette approche aide les mouches des fruits à reconnaître de manière fiable différents schémas de mouvement, situation préalable pour rester sur la bonne voie. Les mouches des fruits sont passées maîtres dans l’art de détecter les mouvements, et elles doivent l’être : même la moindre rafale de vent peut faire dévier une si petite mouche de sa trajectoire de vol. Pour garder le cap, les mouches s’orientent selon le flux optique. Ce sont des schémas de mouvement qui apparaissent sur la rétine d’une mouche lorsqu’elle bouge. Selon la direction de son mouvement, les motifs diffèrent et indiquent à la mouche si elle se déplace tout droit ou si elle a tourné autour d’un specified axe. Le département d’Alexander Borst étudie la eyesight du mouvement dans le cerveau de la mouche au niveau des petits circuits. Ici, « l’opposition au mouvement » joue un rôle crucial. Certains neurones sont activés par un mouvement dans une route et inhibés par un mouvement dans la path opposée. En 2015, les chercheurs ont réalisé une avancée scientifique en découvrant les cellules dites LPi comme base cellulaire de ce phénomène.
Fonction inhibitrice à tous les niveaux du réseau
Par probability, les chercheurs ont désormais acquis encore as well as de connaissances sur ce réseau. Lorsque Georg Ammer, premier auteur de l’étude, a testé un nouvel équipement électrophysiologique, il a choisi les cellules LPi comme « objets de check » et a été soudainement confronté à des résultats de mesure complètement inattendus. Pour aller au fond de cette observation, le neurobiologiste et ses collègues ont combiné diverses méthodes expérimentales, notamment des colorants sensibles au potentiel et l’analyse d’ensembles de données du connectome. Ils ont découvert que les cellules LPi exercent leur fonction inhibitrice à tous les niveaux du réseau. Ils inhibent non seulement les cellules de sortie ayant des directions préférentielles opposées, mais également les cellules T4/T5 et autres cellules LPi. « Nous avons été très surpris par ce résultat », rapporte Georg Ammer. « Jusqu’à présent, nous ne connaissions aucun réseau dans lequel le même calcul neuronal était effectué à chaque niveau et même par le même form de cellule. » Pour les scientifiques, les cellules LPi semblaient au début plutôt discrètes. Au sein du réseau, elles ne représentent qu’environ 5 à 10% de toutes les synapses. Cependant, des expériences d’électrophysiologie ont montré que ces synapses inhibitrices sont très efficaces : elles sont environ dix à vingt fois additionally puissantes que les synapses activatrices, donc bien qu’elles soient moreover nombreuses, elles peuvent provoquer des changements de rigidity similaires.
Garder les cellules de sortie réactives
Mais pourquoi le même calcul est-il effectué à trois endroits différents et pas une seule fois à la fin ? Les chercheurs ont pu expliquer cette approche, qui semble à première vue plutôt lourde, à l’aide de modèles informatiques. Comme le réseau filtre le bruit nearby dès les deux premiers niveaux, il protège les cellules de sortie contre la surcharge d’informations sans relevance et les maintient réactives aux informations pertinentes. Cela permet aux cellules de sortie de distinguer des modèles de mouvement avec une sensibilité élevée, même dans des circumstances difficiles. L’inhibition entre deux canaux accordés de manière opposée, comme dans l’opposition au mouvement, est un principe universel des réseaux neuronaux. « Il se pourrait bien que dans d’autres espèces et dans différentes régions du cerveau, le même calcul soit réparti sur plusieurs niveaux et que ce principe ait également une grande worth fonctionnelle », explique Alexander Borst. Diviser les tâches difficiles en tâches furthermore petites n’est donc pas seulement une stratégie utile dans notre vie quotidienne : les neurones bénéficient également de cette approche.
