CE37 - Neurosciences intégratives et cognitives

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

Utilisation de l'intelligence artificielle pour comprendre comment le cervelet et le néocortex fonctionnent ensemble

Le cervelet et le néocortex sont deux régions clés du cerveau pour l'apprentissage moteur. Jusqu'à récemment, ces deux régions ont été étudiées séparément, bien qu'elles soient densément interconnectées par des voies en boucle. Comment ces deux régions, dont les architectures de réseau sont très différentes, peuvent-elles travailler ensemble pour contrôler le mouvement ? Ce projet utilise les récentes avancées en IA pour comprendre comment le cervelet et le néocortex apprennent ensemble.

Interaction entre les régions du cerveau, contrôle neuronal des comportements complexes, cervelet cognitif

Les neurosciences se sont traditionnellement concentrées sur le fonctionnement de régions cérébrales isolées les unes des autres, et généralement dans le contexte de comportements simples et limités tels que le conditionnement classique. Cependant, dans un environnement réel, les organismes doivent effectuer des comportements complexes, tout en apprenant et en s'adaptant aux changements de l'environnement. Le cervelet et le néocortex sont tous deux importants pour l'apprentissage moteur, mais on ignore comment ces régions peuvent travailler ensemble. L'un des objectifs de ce projet est de comprendre la base théorique par laquelle ces régions pourraient se coordonner pour contrôler des comportements complexes au-delà du conditionnement classique. Un deuxième objectif de ce projet est d'identifier comment le cervelet pourrait être impliqué dans la cognition. Des décennies de recherche ont laissé entendre que le cervelet, longtemps considéré comme une structure motrice, est impliqué dans des fonctions cognitives comme la mémoire de travail, le langage et les comportements sociaux, mais son rôle exact reste inconnu.

Ce projet utilise les développements récents des réseaux neuronaux récurrents, un type de réseau neuronal artificiel qui peut être entraîné pour effectuer de nombreux types de tâches différentes. En tirant parti de cette technique, nous formons des réseaux qui possèdent les mêmes architectures cérébello-corticales pour effectuer des tâches motrices et cognitives, puis nous faisons de l'ingénierie inverse pour déterminer comment ces modèles sont capables d'apprendre. Nous pouvons ensuite analyser la façon dont le modèle entraîné qui en résulte est capable d'effectuer de nombreuses tâches différentes en utilisant les mêmes techniques de science des données que celles utilisées pour analyser les enregistrements neuronaux à grande échelle. Cela peut révéler comment les représentations neuronales peuvent différer dans le néocortex et dans le cervelet, et comment cela se compare aux représentations observées dans les données réelles. Nous utilisons également un type d'apprentissage automatique appelé apprentissage par renforcement pour comprendre comment le cervelet pourrait utiliser les informations relatives aux récompenses pour guider son rôle dans le contrôle du comportement, y compris son rôle dans la cognition.

Les principaux résultats de ce projet seront de comprendre comment le cervelet et le néocortex sont capables de travailler ensemble pour contrôler le comportement. L'un des résultats sera de savoir quels sites de plasticité et quelles caractéristiques architecturales sont essentiels pour remodeler les représentations neuronales lorsqu'elles sont transformées entre le néocortex et le cervelet dans leurs voies en boucle. Cela permettra de déterminer si les voies profondes interrégionales reliant les deux régions constituent une source importante de plasticité pendant l'apprentissage moteur, ce qui est encore mal compris. Un autre résultat de ce projet sera de comprendre comment le cervelet pourrait être impliqué dans la cognition en utilisant l'apprentissage par renforcement, un type d'algorithme d'apprentissage automatique qui peut enseigner aux agents comment contrôler leur comportement pour obtenir le plus de récompenses. Des preuves expérimentales récentes ont montré des indices surprenants de signaux de récompense dans le cervelet, d'autant plus que la structure du cervelet est déjà considérée comme parfaitement optimisée pour l'apprentissage basé sur l'erreur sensorielle. L'un des principaux résultats de ce projet est de proposer une interprétation de l'apprentissage par renforcement du cortex cérébelleux. Les travaux futurs porteront sur la manière dont l'apprentissage par renforcement dans le cervelet pourrait être intégré au néocortex pendant les tâches cognitives.

Ce projet vise à proposer les premiers modèles de la manière dont l'apprentissage des erreurs par le cervelet peut modifier les représentations néocorticales pour un contrôle comportemental plus complexe, et comment le cervelet peut être impliqué dans la fonction cognitive en utilisant l'apprentissage par renforcement.

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.

Coordination du projet

N Alex Cayco Gajic (LABORATOIRE DE NEUROSCIENCES COGNITIVES ET COMPUTATIONNELLES)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

LNC2 LABORATOIRE DE NEUROSCIENCES COGNITIVES ET COMPUTATIONNELLES

Aide de l'ANR 227 599 euros
Début et durée du projet scientifique : décembre 2020 - 42 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter