La modélisation permet de mieux comprendre un mécanisme en essayant de le reproduire grâce à des outils mathématiques et informatiques. On peut et on doit pour cela négliger certains détails qui ne sont pas essentiels pour le mécanisme étudié. La modélisation intervient dans tous les domaines de la science, et les neurosciences ne font pas exception (on parle de “neurosciences computationnelles”).
Au CerCo, nous modélisons l’activité et la computation cérébrale à plusieurs niveaux : les neurones et les spikes individuels, d’une part, en utilisant des réseaux de neurones impulsionnels (cf. figure ci-dessous). Cela permet de comprendre comment les algorithmes nécessaires aux fonctions cognitives sont implémentés sur le hardware neuronal. D’autres modèles s’intéressent à un niveau plus agrégé : celui de populations de neurones, comme par exemple celles que l’on enregistre avec la fMRI. On aboutit ainsi à des modèles qui peuvent représenter des objets et les classifier de manière similaire à l’homme, même si les implémentations peuvent différer. Notons finalement que ces modèles qui imitent le cerveau peuvent avoir des applications très prometteuses pour l’intelligence artificielle.
Un exemple de réseau de neurones impulsionnel qui explique le développement de la vision binoculaire et l’émergence de la sélectivité à la disparité http://dx.doi.org/10.1523/JNEUROSCI.1259-18.2018)