Des chercheurs de JAIST et Princeton ont créé l’algorithme NTAC pour classer les neurones selon leurs connexions

Des chercheurs du JAIST, de Princeton et d'autres centres ont présenté NTAC — un système qui détermine le type de neurone non pas par sa forme externe, mais par ses connexions synaptiques. Lors d'expériences sur des connectomes de drosophiles, l'algorithme a montré une précision supérieure à 90% et a complété la tâche en quelques minutes sur un ordinateur portable standard.

Pourquoi la forme est trompeuse

La typification des neurones est depuis longtemps bloquée par le travail manuel. Habituellement, les experts classent les cellules par morphologie : forme, ramification, position dans le tissu. Cela ne fonctionne pas toujours.

Dans certaines zones du cerveau, en particulier dans le lobe optique de la drosophile, différents types de neurones se ressemblent presque. Il est difficile de les distinguer visuellement, bien que fonctionnellement ils participent à différentes chaînes de traitement du signal. Pour cette raison, l'annotation devient un processus long et coûteux qui n'est pas bien adapté à la croissance des connectomes.

Les auteurs suggèrent de regarder non pas la cellule elle-même, mais ses « connexions ». La logique est simple : deux fils identiques dans un mur sont difficiles à distinguer par leur apparence, mais faciles à différencier si vous tracez où ils vont. Les neurones ont une histoire similaire.

NTAC utilise le schéma des connexions synaptiques comme caractéristique principale et montre qu'il reflète mieux la nature fonctionnelle de la cellule que sa silhouette anatomique. C'est particulièrement important dans les régions cérébrales denses ayant une architecture répétitive.

Comment fonctionne NTAC

NTAC fonctionne selon deux modes. Dans la variante semi-automatique, les chercheurs étiquettent d'avance une petite fraction de neurones, et le modèle transfère ces connaissances aux autres cellules du même ensemble de données. Dans le deuxième mode, l'annotation n'est pas nécessaire : l'algorithme regroupe les neurones lui-même en fonction de la similarité de leurs connexions. C'est important pour les grands connectomes où l'étiquetage manuel de toutes les cellules est déjà impossible. Cette approche permet l'utilisation à la fois d'atlas partiellement prêts et d'ensembles de données complètement bruts.

• Le mode semi-automatique utilise certaines étiquettes déjà préparées
• Le mode non supervisé regroupe les neurones sans indice
• L'exécution prend quelques minutes sur un ordinateur portable standard
• La méthode a été testée sur plusieurs connectomes de drosophiles

Selon les auteurs, le modèle a été testé sur les ensembles de données FlyWire, le connectome du lobe optique et les données du cordon nerveux ventral. Ce n'est pas un exemple jouet sur un simple échantillon de laboratoire, mais une comparaison sur plusieurs cartes modernes du système nerveux de la drosophile. Une telle conception renforce le résultat : les chercheurs montrent non pas un succès unique, mais une approche capable de se transférer entre différents domaines, différentes tâches et différents nombres de types cellulaires dans l'échantillon.

Résultats et limites

NTAC a montré ses résultats les plus forts là où les méthodes morphologiques échouent le plus souvent. Dans le lobe optique, la variante semi-automatique a dépassé 90% de précision, tandis que l'approche populaire NBLAST, basée sur la forme du neurone, restait autour de 50%. En mode entièrement non supervisé, NTAC a atteint environ 70% de précision dans les zones complexes, tandis que le clustering morphologique est resté dans certains cas en dessous de 10%. Pour les tâches d'annotation automatique, c'est un écart très notable.

"Le schéma de connexion lui-même porte un signal suffisant pour

l'identification rapide des types de neurones."

Il est aussi important que ce ne soit pas un modèle gourmand en ressources pour un data center. Les auteurs soulignent que NTAC s'exécute sur des CPU standard et ne nécessite pas un superordinateur. Pour la neurobiologie, c'est un changement pratique : si les connectomes croissent du cerveau de la mouche à la souris et au-delà à l'humain, l'automatisation de la typification cellulaire deviendra obligatoire. L'algorithme a déjà été utilisé pour étiqueter des milliers de neurones, et les chercheurs nomment le cartographie du cerveau de la souris comme le prochain jalon majeur.

Ce que cela signifie

NTAC ne résout pas le problème de la cartographie du cerveau humain entier, mais élimine l'une des étapes les plus lentes — la typification manuelle des cellules. Si l'approche maintient la précision sur les organismes plus grands, la connectomique obtiendra un outil fonctionnel qui accélérera à la fois la science fondamentale et la recherche des perturbations des circuits neuraux dans les maladies.