Explorer l'apprentissage moteur cérébello-cortical avec des réseaux de neurones récurrents – CC-RNN

Ce projet développe des modèles inspirés de l'intelligence artificielle pour étudier l'apprentissage moteur à partir de données neuronales de grande dimension. Le modèle principal comporte deux régions possédant des architectures différentes, inspirées respectivement du cervelet et du cortex moteur, et est entraîné pour effectuer une tâche motrice. Il reproduit de nombreux résultats observés dans des études classiques d'adaptation motrice. Comme beaucoup d'autres modèles du système moteur utilisant des réseaux neuronaux, ce modèle repose sur des algorithmes d'apprentissage supervisé fournissant des informations détaillées sur l'erreur pour guider l'apprentissage. Des outils de science des données mathématiquement novateurs, basés sur des tenseurs, ont également été développés pour suivre les changements de représentations neuronales au fil de l'apprentissage, afin de tester et comparer les modèles aux données expérimentales.

Le principal résultat de ce projet est un cadre théorique expliquant comment le cervelet et le néocortex peuvent travailler ensemble pour contrôler l'apprentissage durant le comportement. Dans ce modèle, le cervelet apprend rapidement un signal d'erreur interne qui peut être utilisé à la fois pour corriger et pour mettre à jour lentement les mémoires motrices néocorticales. Cela aboutit à un système dans lequel l'apprentissage est réparti entre les deux régions à différentes échelles temporelles, mais qui fonctionnent ensemble comme un système unifié. Un résultat secondaire est une série de méthodes de réduction de dimension basées sur des tenseurs, qui peuvent être utilisées pour suivre comment les représentations neuronales évoluent au cours de l'apprentissage. Ces méthodes pourront être utilisées à l'avenir pour tester notre modèle d'apprentissage distribué par rapport aux données, et ont par ailleurs une large applicabilité pour les données structurées en essais en neurosciences.

L'objectif principal de ce projet est de développer un modèle théorique expliquant comment l'apprentissage dans le cervelet, basé sur l'erreur, peut modifier les mémoires motrices néocorticales pendant le mouvement.

La production scientifique de ce projet sera de multiples articles scientifiques sur l'interaction cérébello-corticale et l'apprentissage par renforcement cérébelleux pour la cognition.

Les preuves s'accumulent et suggèrent que les comportements naturalistes sont le résultat d'interactions entre des régions du cerveau traditionnellement étudiées isolément. Par exemple, des travaux récents ont montré que le cervelet et le cortex moteur, deux régions fortement interconnectées qui sont chacune cruciales pour le comportement moteur, se coordonnent pendant l'apprentissage moteur et l'exécution. Cependant, les progrès dans la compréhension de l'interaction entre le cervelet et le cortex moteur ont été entravés par les circuits radicalement différents de ces régions, ainsi que l'inaccessibilité des voies sous-corticales profondes qui les relient. En conséquence, il reste difficile de savoir comment intégrer les principales théories de la fonction cérébelleuse et corticale dans le contrôle moteur.

Des preuves théoriques et expérimentales récentes ont montré que le cortex moteur génère de manière flexible la structure spatiotemporelle nécessaire aux mouvements complexes en exploitant sa riche dynamique. Ce concept est fortement influencé par l'émergence des réseaux de neurones récurrents (RNN), une classe de modèles inspirés de l'IA qui peuvent être enseignés pour résoudre un large éventail de tâches motrices et cognitives par les changements dans la connectivité récurrente. En revanche, on pense que le circuit du cervelet, conservé au cours de l'évolution, est optimisé pour l'apprentissage des relations sensorimotrices et l'adaptation des mouvements en fonction des erreurs. Pourtant, cette vision classique du contrôle moteur cérébelleux n'est pas en mesure d'expliquer les preuves récentes de l'information de récompense dans les cellules cérébelleuses de Purkinje, ni son rôle mystérieux dans la cognition.

Je propose d'utiliser les RNN pour déterminer la façon dont ces deux circuits neuronaux distincts fonctionnent ensemble pendant l'apprentissage moteur. Je vais étendre l'architecture traditionnelle d’un RNN néocortical pour y intégrer un module cérébelleux, en saisissant sa structure divergente-convergente et les voies interrégionales plus éparses. Je formerai ce RNN cérébelleux-cortical (CC-RNN) à effectuer des tâches motrices et cognitives en utilisant des méthodes d'apprentissage machine, et j'utiliserai des outils de neuroscience des systèmes et d'apprentissage statistique pour analyser les propriétés structurelles et fonctionnelles apprises qui en résultent. Avec cette approche, j'aborderai quatre questions auxquelles il a été difficile de répondre par des expérimentations ou la modélisation traditionnelle de circuits : 1) comment les représentations cérébelleuses et motrices corticales coémergent pendant l'apprentissage, 2) comment l'adaptation cérébelleuse remodèle les représentations motrices dans le néocortex, 3) l'impact du taille coordonnée cérébelle-corticale sur les comportements complexes, et 4) le rôle de l'adaptation cérébelleuse dans la cognition. Plus largement, ce projet permettra de mieux comprendre comment les régions corticales et sous-corticales interagissent pour produire des comportements complexes.