Prédictions neuronales dans le traitement de séquence naturelle et leur impact sur la mémoire

Notre monde est rempli de régularités statistiques. Des cycles saisonniers jusqu'à la fréquence des tremblements de terre, la connaissance d'un état actuel donne des informations sur l'évolution probable d'un système. Les animaux utilisent ces régularités pour augmenter leurs chances de survie, et de nombreux processus physiologiques présentent des schémas similaires (rythmes circadiens et cardiaques). La sélection naturelle nous a dotés de mécanismes biologiques permettant de détecter et de réagir aux régularités ainsi qu'à leurs perturbations, telles que des sons inattendus signalant un potentiel danger. En tant que centre de traitement des données sensorielles et de prise de décision, le système nerveux central est impliqué dans ces mécanismes biologiques. Les processus à travers lesquels le cerveau apprend les régularités de l'environnement et les utilise pour former des connaissances est un sujet important dans le domaine des neurosciences, qui touche aussi bien les études moléculaires que la recherche en psychologie. Les prédictions interagissent avec de nombreux autres processus, tels que la prise de décision, les systèmes périphériques, le contrôle moteur, les émotions ou l'apprentissage. En particulier, ce travail vise à mettre en évidence les relations entre les attentes neuronales et la mémoire. Les prédictions sont façonnées par des contraintes neuronales, mais aussi par des connaissances et des expériences antérieures soutenues par le système de mémoire. D'autre part, les événements surprenants ont tendance à être mieux mémorisés, concordant avec l'idée que les erreurs de prédiction déclenchent un mécanisme d'apprentissage. Les prédictions neuronales ont souvent été étudiées à l'aide de stimuli artificiels afin de mettre en évidence des mécanismes clés dans des contextes spécifiques, mais notre compréhension du traitement prédictif en condition naturelle est incomplète. Dans ce travail, nous avons utilisé une combinaison de modélisation, d'enregistrements neurophysiologiques humains et d'expériences comportementales pour étudier comment le cerveau capture les régularités statistiques et les utilise pour anticiper les sons lors de l'écoute de musique naturelle. Nous avons utilisé un modèle d'apprentissage profond d'attentes musicales polyphoniques pour montrer que les erreurs de prédiction du modèle corrèlent à l'activité neuronale dans le cortex auditif, mettant en évidence un signal neuronal d'erreur de prédiction. Pour évaluer dans quelles mesures ces principes prédictifs se transposent à différentes modalités et niveaux de traitement, nous avons appliqué une méthodologie similaire sur des données de potentiels d'action de cellules ganglionnaires de la rétine de souris exposées à des vidéos naturelles, en utilisant un modèle d'apprentissage profond de prédiction de vidéo. Ensuite, nous avons analysé les résultats comportementaux humains d'une tâche de mémoire musicale afin d'étudier comment les prédictions influencent la mémorisation. Nous avons trouvé que l'erreur de prédiction musicale a un impact sur les performances de mémorisation à travers la modulation de l'activité neuronale dans l'hippocampe et les zones connexes du lobe temporal médian. Nous avons aussi trouvé que les morceaux de musique peu ou très surprenants étaient mieux mémorisés que ceux qui le sont modérément. Pour expliquer ce phénomène, nous proposons que les régularités statistiques façonnent la mémoire par le biais de deux mécanismes distincts : une similarité accrue des motifs neuronaux en réponse à des stimuli prévisibles, et une meilleure séparation des motifs neuronaux en réponse à des stimuli surprenants. Nous avons validé cette hypothèse sur des données neuronales intracrâniennes du lobe temporal médian. À travers l'exemple de l'écoute musicale, ce travail suggère qu'un cadre unifié pourrait aider à la fois la compréhension des processus prédictifs et l'étude de la mémoire, deux composants centraux des fonctions cérébrales.