À l'intérieur du cortex visuel : les neurones en action
Découvre comment les neurones dans le cortex visuel réagissent à différents stimuli.
Dianna Hidalgo, Giorgia Dellaferrera, Will Xiao, Maria Papadopouli, Stelios Smirnakis, Gabriel Kreiman
― 9 min lire
Table des matières
- Les Bases de l’Activité Neuronale
- Variabilité d'Essai en Essai
- Le Rôle du Mouvement et de l’Attention
- Interactions Entre Neurones
- Interactions entre Couches
- Connexions Entre Zones
- Différents Stimuli Visuels et Leurs Effets
- Grilles en Mouvement vs. Images Naturelles
- L'Importance du Contexte
- Activité Neuronale Spontanée
- Prévisibilité dans l’Activité Spontanée
- Facteurs Influant sur la Prévisibilité Neuronale
- Qualité du Signal et Constance
- Chevauchement des Champs Récepteurs
- Le Rôle du Mélange et de l’Imprévisibilité
- Mélanger les Essais
- Dynamiques Temporelles dans l’Activité Neurale
- Retards de Temps dans les Réponses Neuronales
- Timing de Réponse Précoce
- Conclusion
- Source originale
- Liens de référence
Le Cortex Visuel, c’est une partie super importante du cerveau qui gère ce qu’on voit. Il contient des Neurones qui réagissent à la lumière et aux Stimuli visuels. Les scientifiques se demandent comment ces neurones fonctionnent, surtout comment ils réagissent à des images ou des scènes différentes. Ces dernières années, les chercheurs ont vraiment étudié comment le cortex visuel réagit à l’input visuel et à d’autres facteurs, comme le mouvement ou l’attention.
Les Bases de l’Activité Neuronale
Les neurones, c’est les cellules de communication du cerveau. Ils envoient des signaux entre eux via des impulsions électriques. Quand un neurone reçoit une info, il peut "tirer", ou envoyer un signal à d’autres neurones. Ça dépend de plein de choses, comme le type de stimulus visuel présenté et l'état de l’animal (s’il est en mouvement ou s’il est tranquilou).
Quand les scientifiques étudient l'activité de ces neurones, ils mesurent souvent les réponses moyennes sur le temps. Ça veut dire qu'ils regardent comment les neurones réagissent quand on leur montre la même image plusieurs fois. Le taux de tirage moyen donne un aperçu, mais ça ne capte pas tous les détails de comment les neurones réagissent à chaque fois.
Variabilité d'Essai en Essai
Les neurones ne tirent pas juste en réponse à des stimuli externes ; ils peuvent aussi montrer une activité spontanée, ce qui veut dire qu'ils peuvent tirer même sans input visuel. Cette activité spontanée peut ajouter du bruit aux mesures, rendant ça compliqué de savoir ce qui se passe. Par exemple, si un neurone tire quand il voit une image et aussi sans raison, comment les scientifiques savent ce qui cause chaque tir ?
Les chercheurs ont trouvé que chez certains animaux, comme les souris, les neurones du cortex visuel réagissent beaucoup à des trucs qui ne sont pas que visuels. Ça inclut les mouvements ou même les attentes de l’animal.
Le Rôle du Mouvement et de l’Attention
Le mouvement peut influencer à quel point les neurones réagissent aux stimuli visuels. Si une souris bouge en regardant une image, ses neurones pourraient tirer plus que si elle est immobile. Cette relation montre que les neurones ne réagissent pas juste à l'image, mais aussi aux actions de la souris.
L’attention joue aussi un grand rôle. Si un animal fait bien attention à un stimulus, ses neurones pourraient réagir différemment que s'il est distrait. Comprendre comment l'attention et le mouvement influencent le tir neuronal peut aider les scientifiques à en apprendre plus sur le système complexe de traitement du cerveau.
Interactions Entre Neurones
Les neurones ne bossent pas seuls. Ils interagissent avec d’autres neurones, que ce soit dans la même couche ou à travers différentes couches. Dans le cortex visuel, il y a plusieurs couches, et chaque couche a un rôle distinct dans le traitement de l’info visuelle.
Interactions entre Couches
Il y a plusieurs couches dans le cortex visuel, et elles ne sont pas juste empilées sans connexion. Les neurones d’une couche peuvent influencer l’activité des neurones dans une autre couche. Par exemple, les chercheurs ont trouvé que l’activité dans une couche peut prédire l’activité dans une couche supérieure.
Ça veut dire que si les neurones de la couche 4 tirent, ça peut aider à prédire comment les neurones de la couche 2/3 vont répondre. Les scientifiques peuvent utiliser des modèles mathématiques pour vérifier ces relations prédictives.
Connexions Entre Zones
En plus des interactions entre couches, il y a aussi des connexions entre différentes zones du cortex visuel. Par exemple, les neurones de la zone V1 (la zone visuelle principale) peuvent influencer les neurones de la zone V4. Quand les scientifiques étudient ces connexions, ils peuvent voir comment l’info circule dans le système visuel.
Etonnamment, les chercheurs ont remarqué que prédire l’activité est souvent plus efficace dans un sens que dans l’autre. Par exemple, les neurones V1 peuvent donner des insights plus clairs sur l’activité des neurones V4 que l’inverse.
Différents Stimuli Visuels et Leurs Effets
Tous les stimuli visuels ne se valent pas. Le type d’image présenté peut beaucoup influencer comment les neurones réagissent. Les chercheurs utilisent souvent différents types d’images pour voir comment ces différences se manifestent dans l’activité neuronale.
Grilles en Mouvement vs. Images Naturelles
Dans des études avec des souris, les chercheurs ont comparé les réponses aux lignes en mouvement (grilles) et aux images naturelles. Ils ont trouvé que les neurones réagissent mieux à certains types de stimuli. Par exemple, les neurones de la couche 4 sont peut-être meilleurs pour prédire l’activité de la couche 2/3 avec des grilles en mouvement comparé aux images naturelles.
Quand différents types de stimuli sont utilisés, la Prévisibilité de la réponse d’une zone à une autre peut changer. Par exemple, les neurones peuvent travailler ensemble plus efficacement quand ils analysent un motif en damier que quand ils regardent une image plus complexe.
L'Importance du Contexte
Le contexte dans lequel les stimuli visuels sont présentés influence le fonctionnement des neurones. Par exemple, si un animal est alerte et concentré, les réponses neuronales seront différentes que s'il est distrait ou endormi. Les chercheurs ont trouvé que l’activité neuronale peut encore être prédite même sans stimuli visuels, montrant la capacité du cerveau à traiter l’info même quand il n’est pas directement stimulé.
Activité Neuronale Spontanée
Même sans input visuel, les neurones peuvent générer de l’activité. Cette activation spontanée peut rendre l'étude des réponses neuronales plus compliquée mais aussi intéressante.
Prévisibilité dans l’Activité Spontanée
Les chercheurs ont déterminé qu'il y a quand même de la prévisibilité pendant l’activité spontanée. Ça veut dire que les neurones peuvent continuer à s’influencer et suivre certains schémas même sans indices visuels clairs.
Par exemple, en étudiant l’activité spontanée, les scientifiques ont remarqué que certains groupes de neurones montraient de fortes relations prédictives, suggérant que la connectivité et l’activité dépendent de plus que de l’input visuel.
Facteurs Influant sur la Prévisibilité Neuronale
Plusieurs facteurs clés influencent à quel point une zone peut prédire l’activité d’une autre. Ça inclut la qualité du signal, la constance des neurones, et le chevauchement des champs récepteurs.
Qualité du Signal et Constance
Des neurones avec une meilleure qualité de signal (c'est-à-dire qu'ils tirent avec un schéma clair et cohérent) sont souvent plus faciles à prédire. Si un neurone montre une forte relation avec un autre neurone, ça augmente les chances qu’il puisse bien prédire l’activité de ce neurone.
La constance compte aussi. Si un neurone réagit toujours au même stimulus, il est plus prévisible comparé à un neurone qui a des réponses aléatoires. Les chercheurs utilisent divers métriques pour quantifier cette constance et prévisibilité.
Chevauchement des Champs Récepteurs
Quand des neurones partagent des champs récepteurs, ou la zone où ils réagissent aux stimuli, ça peut créer un lien plus fort entre leurs Activités. Des neurones avec des champs récepteurs qui se chevauchent ont tendance à avoir de meilleures capacités prédictives que ceux sans chevauchement. Ça pourrait être dû à des inputs partagés ou une connectivité plus forte entre ces neurones.
Le Rôle du Mélange et de l’Imprévisibilité
Dans leurs études, les chercheurs ont mélangé les essais pour examiner comment la prévisibilité change. En changeant l’ordre des présentations de stimuli, les scientifiques cherchent à comprendre combien de l’activité neuronale est réellement liée aux inputs visuels contre des facteurs spontanés.
Mélanger les Essais
Quand les scientifiques mélangent les essais, ils remarquent souvent une diminution de la prévisibilité, montrant qu'une partie de l’activité est effectivement drivé par le stimulus observé. Ça implique que même s'il y a un niveau d’activité de base, l’input visuel spécifique peut vraiment améliorer la prévisibilité des réponses neuronales.
Dynamiques Temporelles dans l’Activité Neurale
Un autre aspect important de l’étude de l’activité neuronale est le timing. Le timing des tirs neuronaux peut être crucial pour comprendre comment l’information circule dans le cortex visuel.
Retards de Temps dans les Réponses Neuronales
Les neurones dans différentes zones peuvent ne pas répondre en même temps. Quand il y a un retard dans la réponse d’une zone à une autre, ça peut influencer la prédiction. Les chercheurs ont trouvé qu’en tenant compte de ces décalages de temps pendant les prédictions, ils peuvent améliorer la précision de leurs modèles.
Timing de Réponse Précoce
Pendant les premiers moments de stimuli visuels, les neurones peuvent montrer des différences de timing significatives. Certains neurones peuvent répondre beaucoup plus vite que d'autres, ce qui peut influencer à quel point ils prédisent l’activité des autres. Les scientifiques ont expérimenté avec le décalage du timing des prédictions pour obtenir des insights plus clairs sur ces schémas de réponse précoces.
Conclusion
L’étude de l’activité neuronale dans le cortex visuel est une aventure complexe mais captivante. En examinant comment les neurones interagissent entre eux, que ce soit en réponse à des stimuli ou pendant des tirs spontanés, les chercheurs obtiennent des insights précieux sur le traitement cérébral.
Grâce à une analyse précise de la prévisibilité, des influences du mouvement et des effets de divers stimuli, les scientifiques reconstituent le puzzle complexe du traitement visuel. Comme un bon travail d'équipe, comprendre comment une zone du cerveau influence une autre conduit à une image plus complète de la façon dont on voit et interprète le monde autour de nous.
Le monde fascinant des interactions neuronales aide non seulement la compréhension scientifique, mais ouvre aussi des portes à des applications potentielles, comme améliorer les traitements pour les troubles de traitement visuel. À mesure que la recherche continue d'évoluer, notre appréciation de la complexité du cerveau ne fait que grandir, nous rappelant qu’il y a toujours plus à apprendre sur cet organe incroyable. Alors, la prochaine fois que tu vois quelque chose, souviens-toi, une équipe occupée de neurones bosse dur en coulisses !
Titre: Trial-by-trial inter-areal interactions in visual cortex in the presence or absence of visual stimulation
Résumé: State-of-the-art computational models of vision largely focus on fitting trial-averaged spike counts to visual stimuli using overparameterized neural networks. However, a computational model of the visual cortex should predict the dynamic responses of neurons in single trials across different experimental conditions. In this study, we investigated trial-by-trial inter-areal interactions in the visual cortex by predicting neuronal activity in one area based on activity in another, distinguishing between stimulus-driven and non-stimulus-driven shared variability. We analyzed two datasets: calcium imaging from mouse V1 layers 2/3 and 4, and extracellular neurophysiological recordings from macaque V1 and V4. Our results show that neuronal activity can be predicted bidirectionally between L2/3 and L4 in mice, and between V1 and V4 in macaques, with the latter interaction exhibiting directional asymmetry. The predictability of neuronal responses varied with the type of visual stimulus, yet responses could also be predicted in the absence of visual stimulation. In mice, we observed a bimodal distribution of neurons, with some neurons primarily driven by visual inputs and others showing predictable activity during spontaneous activity despite lacking consistent visually evoked responses. Predictability also depended on intrinsic neuronal properties, receptive field overlap, and the relative timing of activity across areas. Our findings highlight the presence of both stimulus- and non-stimulus-related components in interactions between visual areas across diverse contexts and underscore the importance of non-visual shared variability between visual regions in both mice and macaques.
Auteurs: Dianna Hidalgo, Giorgia Dellaferrera, Will Xiao, Maria Papadopouli, Stelios Smirnakis, Gabriel Kreiman
Dernière mise à jour: 2024-12-09 00:00:00
Langue: English
Source URL: https://www.biorxiv.org/content/10.1101/2024.12.05.626981
Source PDF: https://www.biorxiv.org/content/10.1101/2024.12.05.626981.full.pdf
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à biorxiv pour l'utilisation de son interopérabilité en libre accès.