Speaker : Flavio DONATO, University of Basel - Biozentrum the center for molecular life sciences
"Equivalent learning emerges from distinct population dynamics across brain networks"
Pour apprendre, il faut identifier les modèles d'activité de la population associés aux résultats souhaités et acquérir la capacité de les recruter volontairement. On ne sait toujours pas si de tels processus reposent sur une dynamique de population partagée ou propre à un circuit dans l'ensemble du cerveau. Un défi fondamental est que différentes régions du cerveau sous-tendent généralement des comportements distincts, ce qui rend difficile de démêler les mécanismes d'apprentissage propres à un circuit des exigences comportementales propres à une région.
Ici, nous surmontons cette limitation à l'aide d'une interface cerveau-ordinateur (ICO) pour imposer un problème d'apprentissage identique, défini par la population, à travers les réseaux cérébraux. En faisant dépendre directement la récompense de l'activité de la population neuronale, nous appliquons le même paradigme d'apprentissage associatif dans des conditions identiques à deux régions avec une connectivité récurrente proéminente mais des régimes dynamiques fondamentalement distincts: le cortex moteur primaire (M1) et l'aire hippocampique CA3. Les souris ont acquis un contrôle volitionnel robuste dans les deux régions, ce qui démontre que des circuits distincts peuvent supporter un apprentissage équivalent axé sur les buts. Tant chez les M1 que chez les CA3, l'apprentissage a conduit à une sparsification progressive de l'activité de la population et à une plus grande représentation de l'état de récompense au niveau de la population. La dynamique sous-jacente de la population a toutefois divergé. M1 a montré une excitation pré-récompense soutenue et des trajectoires de population qui ont coulé continuellement à travers l'état de récompense, avec une géométrie de manifold séparant les états comportementaux. CA3 a présenté une inversion temporelle dépendante de l'apprentissage, passant de l'excitation pré-récompense à l'inhibition post-récompense, avec des trajectoires de population convergeant vers l'état de récompense avant de se remettre rapidement à l'état de base, et des états comportementaux distincts s'effondrant sur un sous-rythme de manifold partagé. Des modèles de réseaux récurrents avec des architectures de connectivité distinctes et des contraintes dynamiques, appariés à chaque région, ont récapitulé ces dynamiques à l'échelle des populations, reliant la structure des circuits intrinsèques à la géométrie de l'activité apprise.
Ces résultats démontrent que des résultats d'apprentissage équivalents peuvent découler d'implémentations fondamentalement différentes au niveau de la population, reflétant des contraintes de circuit intrinsèques plutôt que des stratégies conservées au niveau de la population. Cette dégénérescence de principe indique que l'apprentissage émerge non pas d'une seule solution canonique, mais de multiples implémentations spécifiques à un circuit façonnées par la dynamique locale.
Animé par Jaime DE JUAN SANZ, attention conférence en anglais à destination d'un public scientifique.
Si vous souhaitez rencontrer l'orateur, merci de nous contacter.
Joignez-vous à la conférence à l'auditorium de l'Institut du cerveau de Paris.