📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Un neurone ressemble à un instrument de musique complexe. Pour comprendre comment il réagit à une sollicitation, il fallait autrefois se connecter directement à chaque corde — une procédure délicate, lente et réservée à quelques cellules isolées. Les matrices de microélectrodes (des grilles de centaines de capteurs) écoutent tout l'orchestre à la fois, mais déchiffrer quel instrument joue dans ce bourdonnement général est longtemps resté impossible.

Un groupe de chercheurs a créé un « traducteur » qui, à partir d'un court enregistrement issu d'une telle matrice, règle une copie virtuelle du neurone — le modèle de Hodgkin–Huxley. Pour le tester, ils ont utilisé la rétine d'un macaque et un réseau de 512 électrodes espacés de 30 micromètres. Le modèle, entraîné en quelques minutes seulement, a prédit la réponse à de nouveaux stimuli avec une précision de 90,6 %.

Cette approche remplace le long tâtonnement des réglages. Au lieu de tester aveuglément des dizaines de variantes de stimulation, le médecin ou le chercheur obtient une prédiction toute prête. C'est comme régler une radio : au lieu de tourner lentement le bouton, vous entrez directement la fréquence et vous entendez un signal clair.

À terme, cette méthode pourrait aider à régler plus précisément les neuro-implants — des dispositifs qui restaurent la vue ou l'ouïe. Au lieu de tests épuisants avec le patient, on pourrait rapidement calculer le schéma de stimulation optimal pour chaque électrode.

Résumé original

tel que rédigé par les auteurs, en anglais arXiv:2607.04063

Multi-compartment Hodgkin-Huxley (HH) models provide a principled framework for predicting neural dynamics and responses to electrical stimulation. However, fitting HH biophysical parameters typically requires intracellular recordings, which are invasive and low-throughput, limiting the ability to capture the geometry and cell-specific properties of many neurons in a given neural circuit. Multi-electrode arrays (MEAs) offer a scalable alternative - high-density extracellular measurements from full neural populations, but HH model complexity has so far precluded reliable biophysical inference from extracellular data alone. Here, we introduce a framework to rapidly infer HH parameters from designed features of extracellular MEA measurements by leveraging differentiable biophysical simulation and simulation-based inference, unlocking a wide range of downstream applications. In this work, we focus on a central goal of translational neuroengineering: predicting neural spiking responses to candidate neurostimulation patterns that would take hours to measure clinically. To validate our approach, we collected hundreds of hours of stimulation and recording data from isolated macaque retina with a 30 um-pitch 512-electrode array. Our framework predicted previously unseen multi-electrode stimulation responses with 90.6% accuracy using HH models fit from only a few minutes of recording, replacing hours of stimulus testing.