Comment les cellules nerveuses s'adaptent aux changements de stimuli
Les cellules nerveuses ajustent leur sensibilité pour améliorer le traitement de l'information.
― 7 min lire
Table des matières
Les systèmes sensoriels chez différents animaux s'adaptent aux changements de ce qu'ils ressentent. Ça veut dire que quand quelque chose dans l'environnement change, la façon dont les cellules nerveuses dans le cerveau réagissent peut aussi changer. Plus précisément, les cellules nerveuses peuvent ajuster leur réactivité à différents Stimuli, ce qui aide à améliorer la communication des infos.
Des expériences montrent que quand un stimulus est présenté plusieurs fois, il peut y avoir des changements dans l'intensité de la réaction d'une cellule nerveuse. Ça inclut des variations dans les Réponses maximales et minimales des cellules, ainsi que d'autres changements plus complexes. Les explications traditionnelles pour ces changements se sont souvent concentrées sur la façon dont les connexions entre les cellules nerveuses s'ajustent, mais ça peut prendre plus de temps que les changements rapides qu'on observe dans les réponses nerveuses.
Au lieu de ça, des travaux récents suggèrent que ces changements peuvent être expliqués en se concentrant sur la façon dont les cellules nerveuses individuelles ajustent leur sensibilité ou leurs "gains". Ça veut dire que quand un stimulus est présenté, les cellules nerveuses peuvent rapidement changer la force de leur réaction, ce qui affecte la façon dont elles communiquent l'info sur le stimulus à d'autres cellules.
En utilisant des données d'expériences sur les cellules nerveuses dans une zone particulière du cerveau connue sous le nom de cortex visuel, les chercheurs ont découvert que les changements de sensibilité des cellules nerveuses individuelles peuvent expliquer les Adaptations observées. Ils proposent un nouvel objectif pour comment les cellules nerveuses devraient ajuster ces gains pour améliorer la façon dont elles représentent l'info sensorielle tout en utilisant l'énergie efficacement.
Que se passe-t-il dans les cellules nerveuses ?
Quand les cellules nerveuses sont exposées au même stimulus pendant longtemps, leurs réponses peuvent s'affaiblir. Cet ajustement n'est pas le même pour toutes les cellules nerveuses, car différentes cellules ont différentes Sensibilités. L'objectif global de ces changements est d'assurer que les cellules nerveuses restent réactives à de nouvelles informations tout en évitant un épuisement des ressources énergétiques.
En résumé, ça veut dire qu'une cellule nerveuse peut changer sa réactivité selon ce qu'elle a récemment vécu. C'est une partie cruciale de la façon dont le cerveau encode les infos sur l'environnement. Les chercheurs ont observé que quand un stimulus est présenté aux cellules nerveuses, il peut y avoir une réduction de leurs réponses, ce qui se produit non seulement aux niveaux maximaux mais aussi aux niveaux minimaux, entraînant un effet d'adaptation plus large.
Les théories précédentes sur comment les cellules nerveuses s'adaptent se concentraient souvent sur le changement de la force des connexions entre les cellules, connues sous le nom de poids synaptiques. Bien que ça puisse expliquer certains changements, ça ne prend peut-être pas en compte les ajustements rapides qu'on voit dans des cellules individuelles sur de courtes périodes.
Le nouveau Modèle
Les chercheurs ont développé un nouveau modèle qui regarde comment les ajustements de la sensibilité des cellules nerveuses, plutôt que les changements dans les connexions synaptiques, peuvent expliquer les adaptations observées dans les données expérimentales. Ce modèle est basé sur la compréhension que les cellules nerveuses peuvent rapidement ajuster leurs gains, et ces changements peuvent influencer la façon dont elles communiquent entre elles dans un réseau.
Ce modèle respecte la complexité des circuits cérébraux, où les connexions entre les cellules nerveuses sont souvent récurrentes, c'est-à-dire que les sorties d'une cellule nerveuse peuvent alimenter d'autres. Ça veut dire que la façon dont une cellule ajuste sa sensibilité peut avoir un impact immédiat sur d'autres cellules dans le réseau.
Dans ce modèle, les cellules nerveuses ajustent leurs gains en réponse à de nouveaux stimuli pour maintenir une représentation précise de l'environnement tout en utilisant le moins d'énergie possible. Les chercheurs ont testé ce modèle à travers des simulations qui ont comparé les réponses prédites par le modèle avec les réponses mesurées réelles des cellules nerveuses.
Les mécaniques derrière ça
Dans ce cadre, les cellules nerveuses reçoivent des entrées provenant des stimuli qui leur sont présentés. Les entrées peuvent être renforcées ou affaiblies par les cellules ajustant leurs gains. La relation entre l'entrée et la sortie d'une cellule nerveuse est influencée à la fois par les entrées directes des stimuli et le retour d'autres cellules dans le réseau.
En s'adaptant à un nouveau stimulus, le modèle montre comment les changements dans les gains peuvent se propager à travers le réseau. Si une cellule ajuste sa sensibilité, ça peut entraîner des changements dans les cellules voisines, permettant à l'ensemble du réseau de s'adapter plus fluidement au nouveau contexte.
La recherche vise à établir un objectif pour ces ajustements de gains qui permettra un encodage optimal de l'info sensorielle. En utilisant cet objectif, les chercheurs peuvent prédire comment les cellules nerveuses devraient réagir lorsqu'elles sont exposées à différents stimuli.
Expérimentations et observations
Les chercheurs ont réalisé des simulations comparées à des enregistrements réels de cellules nerveuses chez des chats. Ils ont présenté différentes orientations de motifs visuels aux cellules sous des probabilités d'occurrence variables : certains motifs étaient montrés plus souvent que d'autres. Les réponses observées ont ensuite été analysées pour voir à quel point le modèle correspondait aux vraies données.
Les résultats ont montré que lorsque les cellules nerveuses étaient exposées à un ensemble biaisé de stimuli (où une orientation apparaissait plus que d'autres), le modèle a pu prédire avec précision les changements qui se produisaient dans leurs réponses. Plus précisément, le modèle a capté la diminution des réponses maximales, la diminution des réponses minimales, et les décalages dans les orientations préférées des stimuli des cellules nerveuses.
Comprendre les changements adaptatifs
Ces changements adaptatifs peuvent être vus comme une forme d'égalisation dans les réponses des cellules nerveuses. Quand les réponses de différentes cellules sont équilibrées, ça aide à maintenir un niveau d'activité constant dans la population de cellules, ce qui facilite le traitement efficace de l'info sensorielle.
À travers ce mécanisme, quand un stimulus présenté trop souvent commence à dominer les réponses, les gains des cellules nerveuses s'ajustent pour que d'autres stimuli puissent encore être représentés avec précision. Ça démontre comment la flexibilité dans la réponse des cellules nerveuses peut mener à une amélioration du traitement de l'information dans le cerveau.
Conclusion
Cette recherche ajoute à la compréhension de comment l'info sensorielle est traitée dans le cerveau. En mettant en avant l'importance des cellules nerveuses individuelles ajustant leur sensibilité plutôt que des changements dans leurs connexions, ça offre une image plus claire du processus d'adaptation.
Ce modèle fournit des insights importants sur la façon dont l'information est représentée efficacement dans les réseaux de cellules nerveuses, potentiellement au-delà du traitement visuel vers d'autres sens aussi. Ça ouvre la porte à une exploration plus approfondie de comment ces mécanismes fonctionnent en temps réel et contribuent à notre compréhension de la physiologie et du comportement cérébraux.
En utilisant un cadre qui met l'accent à la fois sur les changements d'adaptation des gains et sur les principes de codage efficaces, on peut obtenir une vue plus claire des dynamiques sous-jacentes au traitement sensoriel dans le cerveau, améliorant finalement notre connaissance de la fonction neuronale.
Titre: Adaptive coding efficiency in recurrent cortical circuits via gain control
Résumé: Sensory systems across all modalities and species exhibit adaptation to continuously changing input statistics. Individual neurons have been shown to modulate their response gains so as to maximize information transmission in different stimulus contexts. Experimental measurements have revealed additional, nuanced sensory adaptation effects including changes in response maxima and minima, tuning curve repulsion from the adapter stimulus, and stimulus-driven response decorrelation. Existing explanations of these phenomena rely on changes in inter-neuronal synaptic efficacy, which, while more flexible, are unlikely to operate as rapidly or reversibly as single neuron gain modulations. Using published V1 population adaptation data, we show that propagation of single neuron gain changes in a recurrent network is sufficient to capture the entire set of observed adaptation effects. We propose a novel adaptive efficient coding objective with which single neuron gains are modulated, maximizing the fidelity of the stimulus representation while minimizing overall activity in the network. From this objective, we analytically derive a set of gains that optimize the trade-off between preserving information about the stimulus and conserving metabolic resources. Our model generalizes well-established concepts of single neuron adaptive gain control to recurrent populations, and parsimoniously explains experimental adaptation data.
Auteurs: Lyndon R. Duong, Colin Bredenberg, David J. Heeger, Eero P. Simoncelli
Dernière mise à jour: 2023-05-31 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2305.19869
Source PDF: https://arxiv.org/pdf/2305.19869
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 arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://proceedings.neurips.cc/paper/2013/hash/6da9003b743b65f4c0ccd295cc484e57-Abstract.html
- https://www.ctan.org/pkg/latexdiff?lang=en
- https://journals.plos.org/plosone/s/figures
- https://journals.plos.org/plosone/s/tables
- https://journals.plos.org/plosone/s/latex
- https://doi.org/10.1101/2022.02.28.482269doi:bioRxiv