Les modèles neuronaux biophysiques détaillés offrent une fenêtre unique sur le fonctionnement de chaque neurone. Ils permettent aux chercheurs de manipuler systématiquement et de manière réversible les propriétés neuronales qui sont souvent impossibles dans les expériences réelles.
Ces modèles électroniques ont joué un rôle clé dans l’avancement de notre compréhension de la manière dont la morphologie neuronale affecte l’excitabilité et de la manière dont les courants ioniques spécifiques contribuent au fonctionnement cellulaire. De plus, ils jouent un rôle important dans la construction de circuits neuronaux pour simuler et étudier l’activité cérébrale, nous donnant ainsi un aperçu de la danse complexe des neurones qui sous-tendent nos pensées et nos actions.
Créer des modèles électroniques précis qui reproduisent fidèlement les observations expérimentales n’est pas une tâche facile. Cela nécessite de quantifier la similarité entre les réponses du modèle et le comportement électrophysiologique réel, ce qui constitue un défi lorsque des paramètres tels que la conductance des canaux ioniques et les propriétés de la membrane passive ne peuvent pas être mesurés directement. L’obtention de scores de similarité élevés nécessite souvent une exploration approfondie de l’espace des paramètres, ce qui est ardu et prend du temps.
Pour relever ces défis, les chercheurs se sont tournés vers les algorithmes évolutionnaires (EA). Les algorithmes évolutionnaires sont des outils efficaces pour l’optimisation globale des paramètres dans des espaces de grande dimension. Parmi eux, l’algorithme évolutif basé sur des indicateurs (IBEA) présente un grand potentiel à cet égard. Cependant, le domaine manque encore de workflows d’optimisation de modèles entièrement open source et reproductibles.
Dans la nouvelle étude, qui fait la couverture du numéro de novembre de Patterns, le projet BlueBrain propose un flux de travail commun révolutionnaire pour créer, valider et généraliser des modèles neuronaux détaillés. Cette approche repose sur des outils open source, dont toutes les étapes sont disponibles gratuitement, offrant aux chercheurs une solution complète pour créer des modèles neuronaux pouvant représenter soit des cellules biologiques individuelles, soit des types de cellules prédéfinis.
L’une des caractéristiques uniques de ce flux de travail est la possibilité de créer des modèles de neurones dits canoniques. Werner Van Geit, responsable du groupe BBP, explique : « Ce que nous créons n'est pas un modèle personnalisé pour des neurones individuels, mais un modèle qui représente un type de neurone entier. Cette approche est particulièrement utile lors de l'étude des propriétés de types de neurones spécifiques et de la construction de grands circuits neuronaux. »
Dans cette étude, les auteurs ont appliqué un flux de travail pour créer 40 modèles représentant 11 types électriques (types e) dans le cortex somatosensoriel des jeunes souris, la zone 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 parties du corps. Chaque modèle est optimisé sur la base d'un ensemble de caractéristiques électrophysiologiques pour garantir une correspondance étroite avec les données expérimentales. Ces modèles typiques ont ensuite été testés sur différentes morphologies pour évaluer leur généralité.
En analysant les paramètres utilisés dans ces modèles, les scientifiques ont pu mieux comprendre leurs propriétés biophysiques. "L'analyse de sensibilité permet de révéler quels paramètres sont critiques pour les performances du modèle et quels paramètres peuvent être modifiés sans affecter les résultats", souligne Christian Rössert, co-premier auteur. "Cette compréhension plus approfondie contribue grandement à améliorer la création du modèle."
Bien que cette approche soit efficace, les auteurs soulignent certaines limites actuelles. Certains types de neurones se généralisent bien à travers les formes, tandis que d'autres ont des difficultés. Comprendre pourquoi certains modèles fonctionnent mieux dans des morphologies spécifiques est un domaine de recherche en cours. De plus, créer un modèle canonique unique signifie ignorer une partie de la variabilité des neurones réels. Pour résoudre ce problème, les neuroscientifiques peuvent créer plusieurs modèles basés sur les mêmes entrées, introduisant ainsi des variations pour représenter la diversité du monde réel.
La co-premier auteur Maria Reva a noté : « L'ensemble de modèles électroniques présentés ici est basé sur des mesures électriques à partir d'enregistrements patch-clamp du corps principal du neurone. Dans les versions futures, ces modèles pourront être enrichis avec plus de détails, tels que l'intégration synaptique et dendritique et des courants ioniques supplémentaires. Ces améliorations nous rapprocheront de la compréhension du fonctionnement des neurones.