La ville des neurones : pourquoi certains pensent vite et d'autres lentement express
Le cerveau d'une souris compte environ 70 millions de neurones, et les connexions entre eux sont loin d'être réparties également : certaines cellules n'ont que quelques dizaines de contacts, d'autres en ont des milliers. C'est comme une ville avec des ruelles tranquilles et des places bondées. Mais jusqu'à présent, on ignorait comment cette hétérogénéité affecte le fonctionnement même du cerveau.
Les chercheurs ont construit un modèle informatique dans lequel les connexions entre cellules pouvaient être rendues plus ou moins inégales. Il s'est avéré que les cellules avec un grand nombre de connexions — les hubs — commencent à travailler plus lentement : elles semblent accumuler les signaux entrants avant de répondre. À l'inverse, les cellules avec peu de connexions réagissent rapidement. Ainsi, dans un même réseau, on trouve des neurones « rapides » et « lents », même si les règles sont les mêmes pour tous.
La vérification sur des données réelles a confirmé la théorie : dans un minuscule morceau de cerveau de souris, cartographié avec une résolution d'un millième de millimètre, les neurones ayant un grand nombre de connexions entrantes présentaient effectivement des temps de réponse plus lents. Cela signifie que l'inégalité des connexions n'est pas un bruit aléatoire, mais un mécanisme important qui permet au cerveau de traiter simultanément des signaux rapides (comme le mouvement) et lents (comme l'humeur).
Ce principe pourrait également être utile dans les réseaux de neurones artificiels : si l'on rend les connexions inégales, le réseau pourra traiter les données à différentes vitesses, comme le fait le cerveau.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2603.04149
Structural and functional heterogeneity are hallmarks of cortical circuits, from broad degree distributions in the mouse connectome to diverse intrinsic neuronal timescales. Yet a mechanistic link between connectivity heterogeneity and functional diversity is lacking. To bridge this gap, we introduce a random recurrent network in which connectivity is generated by a configuration model with tunable degree heterogeneity and synaptic weights exhibiting varying levels of correlation. Using generating-functional methods, we derive a heterogeneous dynamical mean-field theory (hDMFT) with degree-conditioned stochastic dynamics. The theory shows that the interaction of partial symmetry in the weights and degree heterogeneity induces a non-Markovian memory term in the form of an emergent self-coupling whose strength scales with degree and produces a broad distribution of activity timescales. We obtain analytic stability criteria demonstrating that degree heterogeneity lowers the critical gain and localizes unstable modes onto hubs. The resulting rich dynamical landscape includes silent, chaotic, and multistable regimes, which we uncover via spectral, replica, and Lyapunov exponent analyses. We highlight the computational benefits of the observed timescale heterogeneity by revealing that, under an external input drive featuring a broadband spectrum, slow hub neurons act as integrators, demixing slow input components. Finally, instantiating the model with the empirically measured topology from the MICrONS cubic-millimeter mouse connectome explains the broad range of single-neuron timescales and their positive correlation with in-degree observed in resting-state recordings. Our results provide a mechanistic link between connectome topology, neural dynamics, and computation, identifying hubs in partially symmetric networks as a natural substrate for multiplexed processing across timescales.
Dans un millimètre cube de cerveau de souris, on trouve environ 100 000 neurones et près d'un milliard de synapses — c'est plus que le nombre d'étoiles de notre galaxie dans le même volume.