Structure du cerveau

 

Le cerveau est le noyau du système nerveux dans la plupart des espèces du règne Animal : vertébrés et invertébrés. Par exemple, les pieuvres sont remarquables en raison de leur cerveau complexe qui conduit à des modèles de comportement intelligent. Il est bien connu, par exemple, que les pieuvres sont capables d’ouvrir et de fermer des boîtes.
Le cerveau du requin aiguillat commun, « L’âme de l’homme », P. Carus, 1905.

Chez les insectes, les abeilles se distinguent parmi les autres espèces avec le plus grand mini-cerveau : un total de 900 000 neurones avec des interconnexions complexes permettant à ces insectes de se rappeler l’emplacement des champs des fleurs et le chemin d’accès requis pour les rejoindre, de transmettre cette information au reste de la ruche au moyen de la « danse de l’abeille (bee) » étudiée par l’éthologue et prix Nobel de médecine Karl von Frisch dans le milieu du siècle dernier.

 

 

L’abeille (domestique Apis mellifera) collectant du nectar. Les abeilles sont considérées comme la « Rolls Royce » de la neuroscience des insectes en raison de la taille et de l’organisation de leur mini-cerveau.

En termes de complexité (mais pas de taille), le cerveau humain a évolué au cours des 2 millions d’années pour devenir l’un des plus beaux du monde. Avec un total de dix milliards de neurones (autant que les étoiles dans une galaxie type) et dix mille connexions (synapses) par neurone, le cerveau humain peut être décrit comme le système physique le plus complexe de l’univers connu. Nous allons tenter de démêler, ou au moins d’émettre quelques éclaircissements sur la façon dont ces systèmes complexes sont capables d’effectuer les tâches pour lesquelles ils ont été conçus par l’évolution.


Modèle d’automates cellulaires

Un modèle qui capture la structure essentielle du cerveau doit contenir un grand nombre d’unités, appelés «nœuds», qui sont interconnectés par des liens représentant les synapses comme le montre la figure ci-dessous :

 

 

Chaque nœud ou neurone peut être simulé avec trois états:

(i) Neurone au repos, celui qui est capable d’être excité par ses voisins de la structure de réseau auquel il est connecté.

(ii) Neurone actif, celui qui émet des impulsions électro-chimiques à travers ses dendrites.

(iii) Neurone réfractaire, celui qui a récemment cessé d’émettre et qui doit subir une période d’inactivité avant de revenir au repos.

Les neurones au repos peuvent être excités avec une certaine probabilité par les neurones qui étaient actifs dans la phase précédente.

Ainsi défini, notre modèle présente des similitudes avec le modèle de SIRS (Susceptible-Infected-Recovered-Susceptible) mathématique épidémiologie, où les neurones au repos jouent le rôle d’individus sensibles à la maladie, les neurones actifs sont les personnes infectées et les réfractaires correspondent aux guéris.

Il est assez fréquent en mathématiques appliquées que le même modèle mis au point avec des objectifs très différents émergent naturellement dans un autre domaine de recherche complètement différent.

Donc, il s’agit d’un automate cellulaire: Un modèle mathématique dans lequel un ensemble d’unités appelées automates évoluent selon un ensemble prédéterminé de règles, créant des structures très complexes, dont certaines peuvent être retrouvées dans la nature, et qui ont été étudiées par S. Wolfram , créateur du programme Mathematica (voir A new kind of Science Online, S. Wolfram, http://www.wolframscience.com/nksonline/toc.html)

 

 

Un escargot marin dont la structure de sa coquille montre une tendance similaire à celle générée par la règle 30 de Wolfram. Photo: Richard Ling Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser., 2005.

Les expériences dans des projets BOINC pour l’épidémie (virus respiratoire Syncytial ) nous permettent de construire un modèle pour étudier la propagation des signaux dans un cerveau simulé. L’étude du mini-cerveau aura un million de neurones ce qui le place dans la gamme des cerveaux de pointe parmi les insectes.
Objectifs du projet

Bien que notre modèle de mini-cerveau à le même nombre de neurones que celui d’une abeille, nous n’avons pas l’intention, bien sûr, d’expliquer la totalité du répertoire de comportement d’une véritable abeille. Notre objectif, plus modeste, est d’expliquer l’activité collective typique du réseau de neurones.

Il est reconnu que les oscillations du cerveau, le comportement quasi-périodiques dans le rythme des activités électriques du cerveau, sont présentes des insectes à l’homme. Dans le cas des abeilles, des sauterelles, ou de la mouche des fruits, des connections entre les oscillations et l’encodage de l’odeur ont été trouvées.

Dans le cas des êtres humains, le but de ces oscillations semble avoir été façonné par l’évolution. Les ondes Thêta semble être associées à la mémoire, l’attention et même la conscience.


Ces oscillations permettent aux insectes de distinguer des odeurs très similaires.

 

Une oscillation de 10 Hz. Le potentiel local représente l’activité d’un grand nombre de neurones.

 

 

Que calculons nous?

Ce projet explorera l’espace des paramètres du modèle afin de déterminer les régions qui pourraient correspondre à l’activité synchrone du cerveau et expliquer son rôle dans les tâches de discrimination des odeurs (les insectes), de la mémoire et de l’attention (chez l’homme).

Pour chaque unité de travail le modèle fournit un réseau d’ 1.000.000 de neurones générés avec un degré de connectivité k. Il utilise deux types de neurones:

* Neurones inhibiteurs

Ces neurones, lorsqu’ils sont actifs, ont pour effet d’inhiber l’excitation d’un neurone au repos qui pourraient être activés par un neurone excitateur voisin.

*Neurones excitateurs

Ces neurones, lorsqu’ils sont actifs, sont capables de déclencher (exciter) leurs voisins qui sont au repos.

Le modèle attribue à chaque type de neurone un des trois états possibles (repos, actif ou réfractaire) et choisit une gamme de valeurs d’interconnexion entre les neurones, puis il vérifie si ces valeurs entraînent une synchronisation de l’activité neuronale et donc si ce modèle est réalisable ou non.
// //