Foundation for Student Science and Technology

Le projet Blue Brain

Auteur: Brian Hyung

Le projet Blue Brain est une initiative de Henry Markram et son équipe de chercheurs pour recréer numériquement la colonne du néocortex d’u rat immature. Soutenu par 1 milliard € en financement, Markram espère éventuellement étendre ce projet pout inclure la récréation de l'ensemble du cerveau humain. Cependant, comme on le voit dans son journal, il y a beaucoup de difficultés impliquées, même avec simplement le cortex de rat. Ce projet comprend de nombreuses parties différentes, de la modélisation numérique de types de neurones différents, à la représentation précise de la transmission synaptique, et plus. Toutefois, cet article ne décrit que la façon dont l'équipe a essayé de représenter avec précision les connexions neuronales et synaptiques, ainsi que les problèmes potentiels qui découlent de leur méthode.

Le projet Blue Brain repose sur un algorithme à 5 règles pour reconstruire le connectome d'une colonne du néocortex de rat en prédisant la quantité de synapse et l'emplacement (Figure 1). Au début, la Règle 1 suppose que toutes les neurones sont potentiellement connectés et à la règle 2 stipule que l'emplacement des synapses est établie par l'apposition accidentelle de neurones. Les trois prochaines règles sont des mesures prises pour réduire le nombre de connexions synaptiques de telle sorte qu'ils correspondent aux données expérimentales. Quand ils ont seulement utilisé les règles 1 et 2, ils ont constaté que leur densité synaptique était 18 fois plus élevée que les données déclarées. Par conséquent, ils ont mis en œuvre la règle 3, qui stipule que les synapses réelles forment à seulement une fraction de ces emplacements synaptiques potentiels. Ainsi, un certain nombre de connexions ont été coupées (taille générale). Cependant, ils ont ensuite constaté que leur modèle avait trop de connexions qui ont été constitués par que quelques synapses. Des études ont montré que la plupart des connexions sont faites de par plusieurs synapses. Pour résoudre cette question, ils ont effectué l'élagage multi-synaptique, où ils ont enlevé toutes les connexions qui ont été faites par trop peu de synapses. Ceci a utilisé règle 4, qui stipule que les connexions impliquent toujours plusieurs synapses. Par contre, il restait le problème de la densité synaptique qui était quatre fois trop grande. Par conséquent, la dernière étape, la règle 5 a été mise en œuvre. Celle ci a été basé sur une constatation que seule une fraction des connexions multi-synaptiques sont fonctionnellement active. Donc, une fraction des connexions restantes a été coupée, et ceux-ci ont été mis dans une réserve pour des utilisations ultérieures, telles que la plasticité structurelle. Ces trois étapes de taille ont été en mesure de reproduire plusieurs résultats expérimentaux dans les modèles de cerveau numériques et ont été jugées exacte par l'équipe de recherche.

Cependant, cet algorithme contient des lacunes, en particulier parce que les règles pour les connexions neuronales ne sont pas aussi simples que celles présentées dans les cas où les synapses se forment à appositions accidentelles de neurones. Des procédés tels que la spécificité fonctionnelle des connexions synaptiques locales peuvent contribuer à la spécificité de la connexion. Ko et al. (2011) ont montré que cela se produit dans le cortex visuel de la souris, où les neurones avec des réponses similaires à des stimulis forment plus de deux fois plus de connexions entre eux, par rapport à des paires de neurones avec de différentes réponses. Il est possible que les biais fonctionnels de connectivité soient également présents dans la colonne du néocortex de rat, bien que des expériences soient nécessaires pour vérifier cela. La mise en œuvre de ce processus peut améliorer les considérations de l'algorithme de spécificité de connexion lorsque la valeur du paramètre est indisponible. La notion que la spécificité synaptique peut différer entre les régions locales révèle que les fonctions neuronales peuvent varier de manière significative entre les sous-réseaux dans la colonne. Comment la connectivité locale est organisée pour produire des fonctions neuronales spécifiques reste à découvrir, mais il est l'une des questions possibles pour le projet Blue Brain à l'avenir.

Cet algorithme prend en compte de nombreux aspects de la connectivité neuronale, mais il n’est pas assez robuste dans son état actuel pour prédire avec précision les connectomes inconnus dans le cerveau. La conception ne parvient pas à couvrir entièrement le processus complexe de la spécificité synaptique, dont les mécanismes ne sont pas encore bien définis. En outre, il existe d'autres composants majeurs qui sont portés disparus tels que les jonctions lacunaires, qui sont des structures importantes nécessaires pour la signalisation neuronale électrique. Comme les changements de la spécificité synaptique peuvent se traduire en différentes fonctions neuronales et peut-être même comportements, il doit être mieux intégré dans l'algorithme pour améliorer les reconstructions numériques du cerveau.

Bibliographie

Ko, H., Hofer, S. B., Pichler, B., Buchanan, K. A., Sjöström, P. J., &Mrsic-Flogel, T.D. (2011). Functional specificity of local synaptic connections in neocortical networks. Nature, 473, 87-91. doi:10.1038/nature09880

Reimann, M.W., King, J. G., Muller, E.B., Ramaswamy, S., &Markram, H. (2015). An algorithm to predict the connectome of neural microcircuits. Frontiers in Computational Neuroscience, 9, 1-18. doi: 10.3389/fncom.2015.00120

Markram H., Muller E., Ramaswamy S., Reimann M.W., Abdellah M., Sanchez C.A., Ailamaki A., … Schürmann F. (2015). Reconstruction and simulation of neocortical microcircuitry.Cell, 163, 456-492.
http://dx.doi.org/10.1016/j.cell.2015.09.029.