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 unachievable dans les expériences réelles. Ces modèles in silico ont joué un rôle central dans l’avancement de notre compréhension de la manière dont la morphologie neuronale impact 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 design 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 steps.
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 rating de similarité élevé nécessite souvent une exploration approfondie de l’espace des paramètres, une tâche qui peut s’avérer ardue et prendre du temps.
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 up supply et reproductibles pour l’optimisation des modèles.
Dans cette nouvelle étude, apparaissant sur la couverture du numéro de novembre de Styles, Blue Mind présente un flux de travail universel révolutionnaire pour créer, valider et généraliser des modèles neuronaux détaillés. L’approche repose sur des outils open resource, dont toutes les étapes sont disponibles gratuitement, et offre aux chercheurs une remedy complète pour construire des modèles neuronaux pouvant représenter soit une seule cellule biologique, soit un kind de cellules prédéfini.
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 style 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 style neuronal spécifique et lors de la building de grands circuits neuronaux. »
Dans cette étude, les auteurs ont appliqué le flux de travail pour créer 40 modèles représentant 11 sorts électriques (kinds 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 get-togethers du corps. Chaque modèle a été optimisé sur la foundation 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 Christian Rössert, co-auteur principal, ajoutant « Cette compréhension in addition approfondie est une aide significative pour affiner la création du modèle. »
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 as well as, créer un modèle canonique exclusive 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 versions 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 variations futures, ces modèles pourront être enrichis avec furthermore 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.
