L'impact des neurones inhibiteurs sur les réseaux cérébraux

Dans le circuit du cerveau, un type de neurone appelé interneurone GABAergique représente environ 10 % à 20 % de tous les neurones. Ces neurones existent sous différentes formes, chacune ayant des caractéristiques uniques sur la façon dont ils se connectent et interagissent avec d'autres neurones. Comprendre comment ces différents types influencent le fonctionnement du cerveau est assez complexe.

À un niveau basique, un équilibre entre deux processus-excitation et Inhibition-aide à expliquer les schémas de décharge irréguliers observés dans le cerveau. Cet équilibre augmente la sensibilité des circuits aux entrées, permettant un traitement rapide de l'information. Il joue aussi un rôle important dans des tâches comme l'ajustement des champs réceptifs, la formation de groupes de neurones qui agissent ensemble, et le stockage de séquences spécifiques de décharges neuronales.

Cet équilibre peut être atteint sans avoir besoin de façons spécifiques de connecter les neurones inhibiteurs. Beaucoup de modèles voient l'inhibition comme un moyen simple de contrôler l'excitation, en la fusionnant avec un facteur de correction général pour le fonctionnement des neurones Excitateurs. Cependant, cette vue simplifiée passe à côté des avantages potentiels d'avoir des connexions plus précises entre les neurones inhibiteurs. Inclure des connexions inhibitrices ciblées peut rendre les calculs plus précis et aider à réguler des fonctions cérébrales comme la formation de mémoire et la prédiction.

Les recherches montrent que les neurones inhibiteurs forment des motifs de connexion spécifiques qui ne sont pas aléatoires et ne peuvent pas être expliqués seulement par la distance ou la forme des neurones. Ces motifs diffèrent selon les zones du cerveau et dépendent du type d'interneurone. Dans les cerveaux jeunes, même avant les entrées du monde extérieur, l'inhibition structurée aide à façonner le développement du cerveau. Par exemple, un certain motif de connexion entraîne une activité généralisée dans tout le cortex sensoriel.

Malgré ce que nous savons, nous ne comprenons toujours pas complètement comment ces motifs de connexion spéciaux se forment et persistent. La génétique joue un rôle, surtout aux débuts du développement cérébral. Un autre facteur important est la Plasticité synaptique, qui est des changements dans la force des connexions basés sur l'activité des neurones. Ce mécanisme permet des ajustements selon l'activité, offrant précision dans les circuits denses et flexibilité dans des conditions changeantes.

Alors que certaines théories ont examiné comment différentes manières d'ajuster la force synaptique affectent des connexions simples, il n'y a pas encore une compréhension claire de comment ces ajustements impactent de plus grands circuits. Des travaux précédents ont suggéré une règle pour ajuster les synapses afin de maintenir des taux de décharge stables. Cependant, cette approche ne se concentre pas beaucoup sur la façon dont les structures se forment et peut mener à des taux de décharge trop uniformes. D'autres recherches ont dérivé des règles à partir de données expérimentales ou objectifs computationnels, tandis que d'autres ont évalué de nombreux paramètres pour trouver des solutions.

Dans cet article, nous mettons en avant une vue d'ensemble en examinant diverses règles pour ajuster la force synaptique et en explorant comment elles affectent les connexions neuronales et le fonctionnement dans de grands réseaux neuronaux.

#L'Influence de la Plasticité Inhibitrice sur la Structure des Circuits

Pour étudier comment l'ajustement des connexions inhibitrices affecte la structure du circuit, nous avons mis en place un cadre pour définir une variété de règles pour les changements synaptiques. Avec ces règles, nous visons à trouver une solution pour une connexion excitatoire-inhibitrice basique et à montrer comment le type de règle affecte les connexions formées.

Certaines parties de nos résultats dépendent seulement des taux de décharge des neurones pré- et post-synaptiques. Dans les règles avec de fortes contributions de ces taux de décharge, la dynamique des changements synaptiques est principalement conduite par ces taux plutôt que par d'autres facteurs. Nous appelons cette situation le régime de plasticité "piloté par le taux". Une règle pilotée par le taux discutée précédemment ajuste les connexions inhibitrices pour maintenir les taux de décharge post-synaptiques proches d'une valeur cible, menant à des résultats stables.

Quand l'influence des taux de décharge est forte, nous pouvons négliger d'autres contributions. Cependant, cela signifie qu'une petite partie seulement des règles potentielles est couverte. Nous avons également exploré d'autres règles où la contribution des corrélations du second ordre est significative, nous poussant dans ce que nous appelons un régime "piloté par la covariance". Les règles pilotées par la covariance peuvent permettre aux connexions de se renforcer ou de s'affaiblir selon les motifs d'interaction des neurones impliqués.

Dans un modèle simplifié avec deux neurones, nous avons examiné comment différents types de règles d'ajustement influençaient la force des connexions inhibitrices et l'activité des neurones postsynaptiques excitateurs. Nous avons créé deux scénarios : un avec une connexion unidirectionnelle où un neurone envoie seulement des signaux à l'autre et un autre avec des connexions mutuelles où chaque neurone influence l'autre.

Alors que les règles pilotées par le taux réagissaient à peine à la présence de connexions mutuelles, les règles pilotées par la covariance ont révélé une forte dépendance aux connexions initiales et à la règle spécifique appliquée. Par exemple, un certain type de règle a entraîné des connexions inhibitrices beaucoup plus fortes dans le scénario mutuel que dans celui unidirectionnel. Inversement, une autre règle a conduit à une diminution des connexions inhibitrices lorsque les deux neurones interagissaient.

La capacité de ces règles à maintenir le contrôle sur les taux de décharge excitatoire semble très dépendante de la structure des connexions. Un tel effet met en avant un phénomène que nous appelons "stabilisation structurée", où la nature des connexions aide à maintenir la stabilité de l'activité du circuit.

#Le Rôle des Différentes Formes de Plasticité Synaptique

Nous avons établi que les règles basées sur la covariance peuvent atteindre une stabilisation structurée. Ensuite, nous voulions comprendre comment la forme de l'interaction de la règle affecte la création de connexions inhibitrices. Nous avons examiné quatre formes pour ces règles et étudié leur comportement dans notre modèle excitatoire-inhibiteur simple.

Les résultats ont confirmé que des formes spécifiques contribuaient à maintenir la stabilité dans des conditions pilotées par la covariance. Ces types de règles étaient robustes face aux changements de paramètres tout en menant systématiquement à une force de connexion stable. En revanche, d'autres formes se sont révélées instables dans des conditions similaires, pouvant souvent mener à des connexions qui tombaient à zéro ou devenaient trop fortes.

Cette différence de stabilité provient du fait que les interactions de ces règles réagissent différemment aux changements dans les connexions entre les neurones. Dans des règles d'auto-stabilisation, une augmentation de la force inhibitrice entraîne une diminution des événements de décharge corrélés, déplaçant l'équilibre vers un affaiblissement synaptique et compensant les changements initiaux. Inversement, sous certaines règles instables, cette réduction conduit à moins d'événements d'affaiblissement et amplifie les altérations initiales.

En résumé, notre analyse a montré une variété de règles avec différents résultats pour la structure du circuit et l'activité. Certaines règles permettent des comportements spécialisés grâce à une stabilisation structurée, tandis que d'autres se concentrent sur le contrôle des taux de décharge, offrant des avantages et des défis distincts pour des tâches computationnelles.

#Stabilisation Structurée dans de Plus Grands Réseaux Neuronaux

Pour valider nos résultats précédents dans des réseaux plus larges, nous avons simulé une configuration plus importante composée de neurones à pics. Notre réseau neuronal aléatoire consistait en 900 neurones excitateurs et 100 neurones inhibiteurs, avec des connexions fixes parmi les neurones excitateurs mais des connexions plastiques pour les inhibiteurs.

Au début, le réseau affichait des taux de décharge élevés mais, grâce à des changements plastiques, il a rapidement été stabilisé, atteignant un schéma de décharge régulier caractéristique des réseaux équilibrés. Nous avons divisé les connexions inhibitrices apprises en connexions mutuelles, où les neurones excitateurs et inhibiteurs s'influencent mutuellement, et en connexions unidirectionnelles, où seul un type influence l'autre.

Après avoir appliqué les règles de plasticité, les poids mutuels se sont renforcés beaucoup plus que les poids unidirectionnels. Ce renforcement sélectif suggérait que la nature de ces connexions reflétait la structure excitatoire originale après apprentissage.

Lorsque nous avons appliqué une règle de plasticité antisymétrique au même réseau, les résultats ont conduit à un schéma différent où l'inhibition latérale était favorisée. Dans ce cas, les neurones inhibiteurs ont augmenté leur influence sur les neurones excitateurs qui manquaient de connexions réciproques. Ainsi, la structure de connectivité reflétait un complet opposé de ce qui avait été établi sous la règle symétrique.

#Calculs Émergents dans un Réseau Annulaire

Après avoir compris comment différentes règles façonnent la connectivité, nous avons examiné les résultats fonctionnels de la stabilisation structurée dans un modèle annulaire unidimensionnel. De tels réseaux sont excellents pour enquêter sur l'activité persistante et pourraient éclairer diverses fonctions neuronales.

Dans notre réseau annulaire, nous avons créé des populations distinctes de neurones inhibiteurs qui ont appliqué différentes règles synaptiques, menant à des rôles spécialisés à mesure que la dynamique évoluait. Par exemple, un groupe a formé de fortes connexions avec les neurones excitateurs, reflétant des motifs de connexion établis, tandis qu'un autre a établi une inhibition latérale sélective à travers le réseau.

Ces dynamiques ont conduit à un profil d'interaction efficace unique parmi les neurones excitateurs, caractérisé par une forte excitation locale et une inhibition plus large sans entrées externes directes. Cette configuration a soulevé des questions sur la façon dont le réseau réagirait aux stimuli.

Lorsqu'il a été présenté avec des stimuli de tailles variées, nous avons observé un schéma constant où des entrées plus grandes entraînaient des taux de décharge de pic plus bas, avec les plus fortes réponses venant des neurones proches des bords du stimulus. Le neurone central montrait une suppression périphérique, couramment trouvée dans les études classiques des effets contextuels.

#Conclusion

Dans l'ensemble, notre travail illustre comment ajuster la force synaptique peut stabiliser l'excitation et conduire à des motifs de connexion spécifiques parmi les neurones. La forme des règles d'interaction détermine quels motifs de connexion émergent et comment ils sont renforcés en fonction des corrélations existantes dans le réseau.

Même sans signaux externes structurés, les circuits peuvent s'auto-organiser à travers leurs dynamiques internes. Notre exploration des différentes règles d'ajustement met en lumière un spectre d'effets sur la structure du circuit et les capacités computationnelles. Alors que nous continuons à enquêter sur les mécanismes qui conduisent à la plasticité, nous recueillons des aperçus plus profonds qui peuvent améliorer notre compréhension du développement neural et des processus d'apprentissage associés.