Un nouvel outil pour simplifier les modèles neuronaux complexes

Constitués de milliers de synapses, les modèles neuronaux détaillés sont essentiels pour comprendre les propriétés de calcul des neurones, considérés isolément ou en larges réseaux. Ces modèles sont également cruciaux pour interpréter les résultats expérimentaux. Cependant, leurs simulations entraînent des coûts élevés en puissance de calcul (elles réclament de nombreuses heures d’opérations). Cela qui réduit considérablement leur utilité. Pour la première fois, des scientifiques de l’Université hébraïque de Jérusalem et du Blue Brain Project ont mis au point une approche analytique unique en son genre afin de réduire la complexité des modèles neuronaux, tout en conservant leurs principales fonctions d’entrée et de sortie ainsi que leurs propriétés de calcul.

Les modèles abrégés –ou reduced models – de neurones et de réseaux neuronaux constituent un intermédiaire entre les modèles hautement détaillés–qui représentent avec minutie les détails expérimentaux–et ceux, plus simples, qui se prêtent plus aisément à des interprétations théoriques, mais au prix d’importants détails. Ces intermédiaires réduisent considérablement les temps de calcul et la capacité de stockage nécessaire aux modèles détaillés de neurones (et aux réseaux qu’ils forment). Ils permettent d’écourter les temps de simulation ou de simuler de plus larges réseaux de neurones.

Neuron_Reduce est un nouvel outil analytique qui fournit des représentations unique dites multi-cylindrical pour des modèles neuronaux complexes et non-linéaires. Il réduit à la fois la complexité morphologique des neurones et le temps de calcul. Cet outil réduit les arbres dendritiques détaillés en arbre multi-cylindrique, selon la théorie des câbles de Rall et la théorie des circuits linéaires. Synapses et canaux ioniques sont retracés dans le modèle abrégé, qui préserve leur impédance de transfert au soma (le corps de la cellule); les synapses qui présentent une même impédance de transfert sont fusionnées dans un processus du programme NEURON, tout en conservant leurs temps d’activation individuels.

“Neuron_Reduce constitue une innovation significative pour modéliser analytiquement des calculs dendritiques”, explique Idan Segev, titulaire de la chaire David & Inez Myers en neurosciences computationnelles et directeur du Département de neurobiologie de l’Université hébraïque de Jérusalem (HUJI). “Ce modèle analytiquement abrégé préserve de nombreuses caractéristiques au-dessous et au-dessus du seuil du modèle détaillé, dont l’identité des dendrites souches individuelles, leurs propriétés biophysiques ainsi que l’identité des synapses individuelles et la variété des canaux ioniques excitables. En outre, il accélère la vitesse de calcul du modèle de plusieurs centaines de fois”, précise-t-il.

L’un des avantages clés de l’algorithme de réduction prouve également sa robustesse: il préserve la magnitude de l’impédance de transfert pour chaque emplacement dendritique vers le soma. Selon Oren Amsalem, neurobiologiste à l’HUJI, il s’agit d’un point très important “puisque dans les systèmes linéaires l’impédance est réciproque, Neuron_Reduce conserve également l’impédance de transfert dans la direction somato-dendritique pour un arbre dendritique passif. Par exemple, une injection de courant sur le soma résultera en une réponse de même voltage aux sites dendritiques respectifs, à la fois dans les modèles détaillés et abrégés. En conséquence, cela préserve la communication bidirectionnelle entre le soma et les dendrites”, assure-t-il.

Un outil important pour les neurosciences computationnelles

Neuron_Reduce présente un autre avantage majeur: il préserve l'identité des synapses individuelles et de leur dendrites respectives. Il conserve également des propriétés spécifiques des membranes ainsi que les non-linéarités dendritiques, maintenant ainsi les calculs dendritiques spécifiques. De plus, Neuron_Reduce maintient les passive cable properties (R_m, R_a, and C_m) du modèle détaillé, et donc également son intégration synaptique et ses autres éléments temporels.

“Dans notre quête d’appliquer d’abord les approches computationnelles au cerveau de la souris, puis au cerveau humain, toutes les stratégies peuvent être réquisitionnées afin de rendre le projet informatiquement réalisable”, commente Félix Schurmann, directeur de l’unité de calcul du Blue Brain Project. “Cela inclut de nouvelles générations d’ordinateurs, des innovations dans les logiciels de simulation ainsi que des formules de modélisation plus compactes telles que Neuron_Reduce. Celui-ci peut être utilisé non seulement pour des simulations numériques plus efficaces, mais aussi pour de nouvelles adaptations vers les hardwares neuromorphiques, qui aujourd’hui ne peuvent pas rivaliser avec la complexité cellulaire des modèles de tissus bio-physiquement détaillés. Cette méthode peut également permettre de combler le fossé en réduisant les modèles plus détaillés en représentations gérables dans le cadre d’implémentations en hardware neuromorphique”, explique-t-il.

“Quand on modélise des tissus cérébraux bio-physiquement détaillés, comme on le fait au sein du Blue Brain Project, il est très important de considérer le coût de la simulation en termes de mémoire requise ou de temps de résolution (dû au nombre de calculs qui doivent être exécutés)”, explique Pramod Kumbhar, expert de calcul à haute performance au Blue Brain Project. “Neuron_Reduce est extrêmement enthousiasmant, parce qu’il ouvre la voie à de nouveaux types de modèles abrégés qui maintiennent les détails important du modèle original, mais tournent de 40 à 250 fois plus rapidement. Cela complète nos récents efforts pour accélérer la technologie de simulation”, conclut-il.

L’algorithme Neuron_Reduce, les modèles exploités dans l’article ainsi que les exemples d’usage détaillés pour l’utilisation de l’algorithme sont publiquement disponibles sur Github: http://github.com/orena1/neuron_reduce.