Une étude, dont les résultats intitulés «Higher-Order Thalamocortical Inputs Gate Synaptic Long-Term Potentiation via Disinhibition» ont été publiés dans la revue Neuron, a permis de montrer avec précision comment une boucle de rétroaction avec des régions cérébrales profondes, dont dépendent les mécanismes d’apprentissage synaptique dans le cortex cérébral, permet le renforcement synaptique en activant et désactivant des neurones inhibiteurs particuliers.

Rappelons tout d'abord que «le cortex (la zone externe et la plus grande du cerveau) est important pour les fonctions cognitives supérieures, les comportements complexes, la perception et l’apprentissage»: concrètement, «dès qu’un stimulus sensoriel se produit, le cortex traite et filtre l’information avant d’en renvoyer les aspects les plus pertinents aux autres régions du cerveau». Comme «certaines d’entre elles renvoient à leur tour de l’information au cortex», elles constituent des boucles, appelées systèmes de rétroaction, qui «sont essentielles au fonctionnement des réseaux corticaux et à leur adaptation aux nouvelles informations sensorielles».

En réalité, «lors de l’apprentissage perceptuel (ou l’amélioration de la capacité à répondre à un stimulus sensoriel), les circuits neuronaux doivent d’abord évaluer l’importance de l’information sensorielle reçue puis affiner la façon dont elle sera traitée à l’avenir». Dans ce cadre, «les systèmes de rétroaction confirment dans une certaine mesure que les synapses responsables de la transmission de l’information à d’autres régions du cerveau l’ont fait correctement».

Dans ce contexte, un circuit de rétroaction lié aux moustaches de la souris a été isolé: en effet, ces moustaches, spécialisées dans la détection tactile, «jouent un rôle essentiel dans la capacité de l’animal à comprendre son environnement direct». Concrètement, «la partie du cortex qui traite les informations sensorielles des moustaches optimise continuellement ses synapses afin d’intégrer de nouveaux aspects de l’environnement tactile de l’animal».

Comme il s'agit d'un «modèle intéressant pour comprendre le rôle des systèmes de rétroaction dans les mécanismes d’apprentissage synaptique», l'étude ici présentée a utilisé des électrodes pour mesurer l’activité électrique des neurones dans le cortex» du circuit de rétroaction lié aux moustaches, qui a été isolé. Un input sensoriel a alors été «simulé en stimulant une partie spécifique du cortex qui traite cette information» et le circuit de rétroaction a été contrôlé, par un faisceau lumineux.

En fait, ce modèle ex vivo «a permis de contrôler la rétroaction indépendamment de la stimulation sensorielle, ce qui est impossible à faire in vivo». Pour comprendre comment l’interaction entre la stimulation et la rétroaction «mène au renforcement synaptique», il a été «essentiel de déconnecter cette stimulation de la rétroaction».

Il est apparu «que les deux composants, lorsqu’ils sont déclenchés séparément, activent un large éventail de neurones» tandis que «lorsqu’ils sont activés simultanément, certains neurones réduisent au contraire leur activité». Il faut «noter que les neurones inhibés lorsque la stimulation sensorielle et la rétroaction se produisent simultanément inhibent habituellement les neurones importants pour la perception»; autrement dit, il s'agit d'une «inhibition de l’inhibition ou une désinhibition».

Ainsi, «ces neurones agissent comme s’ils ouvraient une porte normalement fermée pour l’information entrante, et qui s’ouvre grâce à la boucle de rétroaction», ce qui «permet de renforcer les synapses qui traitent l’information sensorielle primaire». Au bout du compte, cette étude a pu «identifier la façon dont la rétroaction optimise les connexions synaptiques afin de mieux interpréter les informations futures».

Désormais, l'objectif est de «vérifier si les neurones inhibiteurs se comportent comme prévu lorsqu’une souris a besoin d’intégrer de nouvelles informations sensorielles ou lorsqu’elle découvre de nouveaux aspects dans son environnement tactile».

Soulignons aussi que ce type de travail pourrait être utile «pour l’apprentissage autonome, une branche du machine learning qui conçoit des circuits capables de s’auto-organiser et d’optimiser le traitement des nouvelles informations». Il pourrait ainsi permettre d'esquisser «un pas supplémentaire vers la création de programmes de reconnaissance vocale ou faciale encore plus efficaces».