Un neurone ressemble à un circuit électrique avec des piles et des résistances variables. Le rôle des résistances est joué par les canaux ioniques — des pores protéiques dans la membrane qui s'ouvrent et se ferment, laissant passer des particules chargées. De la rapidité et de la tension à laquelle ces pores s'activent dépend la naissance de l'influx nerveux. Le problème, c'est que pour de nombreux canaux, ces « instructions » sont mal connues. Un ingénieur devrait deviner comment fonctionne la pièce, puis ajuster tout le circuit aux mesures réelles — et encore se tromper.
Les auteurs de l'étude ont procédé autrement. Ils ont pris un modèle standard de neurone — un ensemble d'équations décrivant les courants à travers les canaux connus — et y ont inséré un bloc entraînable. Ce bloc, tel un artisan méticuleux, ne regarde que le graphique de tension et en déduit lui-même comment les pores inconnus doivent s'ouvrir et se fermer. On ne lui donne aucune formule toute faite : il apprend au fur et à mesure, en ajustant des courbes qui ressemblent à de véritables mécanismes de porte. La méthode a été testée sur 2400 neurones virtuels différents — et elle a reconstitué avec assurance les règles cachées, même en présence de fortes perturbations électriques.
Le principal atout de cette approche, c'est sa transparence. Le bloc entraînable ne se transforme pas en boîte noire : en sortie, il dessine les mêmes courbes lisses en fonction de la tension que les biologistes utilisent pour décrire les vrais canaux. On peut prendre ces courbes et comprendre ce qui se passait réellement dans la cellule. Ainsi, l'hybride de physique et d'apprentissage automatique comble les lacunes de nos connaissances sans les balayer sous le tapis.
tel que rédigé par les auteurs, en anglais arXiv:2606.16693
Biophysical neuron models link measurements of neural activity to underlying cellular mechanisms. Yet, a central challenge is that the kinetics of many ion channels are poorly characterized, and practical simplifications -- omitting channels or reducing morphological detail -- introduce systematic gaps between model and biology. Bridging these gaps requires approaches that can flexibly discover unmodeled dynamics while preserving mechanistic interpretability. Here, we introduce a hybrid modeling framework that embeds neural ordinary differential equations into conductance-based biophysical models to capture unknown currents or mis-specified channel kinetics. By parameterizing the neural ODE in terms of voltage-dependent steady-state and time-constant functions, we recover interpretable gating dynamics directly from voltage recordings without assuming a functional form. We show that the hybrid model fits the gating kinetics of 2400 ion channel models and recovers unknown gating dynamics from single current-clamp recordings, generalizing to out-of-distribution stimulus regimes under realistic inputs and parameter misspecification. We also use our method to reduce a multicompartment model of a cortical neuron into a single-compartment hybrid model with a learned axial current, yielding up to an order of magnitude lower computational cost. Together, our results establish a plug-and-play framework for selectively replacing unknown components of conductance-based models with neural ODEs while preserving their mechanistic structure.
Dans un seul neurone, des dizaines de types de canaux ioniques peuvent fonctionner, et chacun s'ouvre à une tension qui lui est propre — un peu comme une serrure qui ne claque qu'avec une clé d'une forme précise.
Dans le roman « Blindsight » de Peter Watts, l'équipage tente de déchiffrer le fonctionnement de neurones extraterrestres sans y avoir un accès direct — un peu comme l'algorithme reconstruit des canaux invisibles à partir de données indirectes.