Un cadre bayésien flexible pour une estimation impartiale des échelles de temps

Un cadre bayésien flexible pour une estimation impartiale des échelles de temps

Neurones dans un cortex de souris. Crédit : ALol88 via Wikimedia Commons, CC BY 4.0

Une équipe internationale de chercheurs de Tübingen et de Cold Spring Harbor (New York) a trouvé un moyen novateur de déterminer à quel rythme les changements se produisent généralement. La nouvelle méthode évite les erreurs systématiques précédentes dans l’estimation des échelles de temps, par exemple, de l’activité neuronale dans le cerveau. Les premières applications de la méthode aux enregistrements neuronaux du cortex visuel la mettent en évidence comme un outil puissant pour les neurosciences et de nombreuses autres disciplines.

Chaque processus dans la nature se déroule à son propre rythme : les neurones mettent des millisecondes à se signaler les uns aux autres, les changements démographiques se produisent au fil des ans et le changement climatique est une question de décennies, voire de millénaires. La période dont un processus a généralement besoin pour subir un changement est connue sous le nom d’échelle de temps, et la compréhension de l’échelle de temps est primordiale pour une compréhension approfondie du processus lui-même.

Les statisticiens rendent cette idée d’échelle de temps très précise. Dans l’exemple des processus neuronaux, l’état actuel de votre cerveau est influencé par l’état d’il y a quelque temps. L’ampleur de cette influence est capturée par la corrélation temporelle. Cette corrélation diminue avec le temps : plus le temps écoulé est long, plus la dépendance est faible. L’échelle de temps de vos processus neuronaux est juste celle-ci : un nombre qui indique à quelle vitesse cette corrélation diminue généralement et donc à quelle vitesse le cerveau oublie son état. En pratique, déterminer l’échelle de temps à partir de données empiriques peut être délicat. Typiquement, on calculerait les corrélations de l’activité cérébrale mesurée à différents moments ; la dépendance décroissante indique alors l’échelle de temps.

Recréer le gâteau pour déterminer sa teneur en sucre

“Malheureusement, cette méthode de détermination des échelles de temps est défectueuse et peut créer des résultats trompeurs”, explique Roxana Zeraati, chercheuse à l’Université de Tübingen et à l’Institut Max Planck de cybernétique biologique. “Le problème est que les données empiriques sont toujours mesurées sur un temps fini, souvent court. De ce fait, la dépendance moyenne entre ce qui se passe à différents moments dans le temps est systématiquement sous-estimée.” Zeraati souligne l’importance d’une mesure correcte des échelles de temps : “Beaucoup de conclusions en neurosciences reposent sur des estimations précises des échelles de temps. Pour ne donner qu’un exemple, nous pensons que des échelles de temps aberrantes sont liées à l’autisme. Mais les gens n’avaient jamais réalisé auparavant qu’ils pourraient être estimer les échelles de temps de manière incorrecte.”

C’est pourquoi Zeraati et ses collaborateurs ont eu une idée originale pour déterminer les échelles de temps : les scientifiques proposent de générer de nouvelles données artificielles à partir d’un modèle informatique qui correspondent étroitement aux données empiriques. Anna Levina, professeure assistante à Tübingen et Ph.D. de Zeraati. conseiller, explique la méthode avec une simple analogie : “Si l’analyse chimique de la teneur en sucre d’un gâteau que votre grand-mère a fait est délicate – peut-être parce que le sucre du glaçage s’infiltre dans le gâteau et perturbe vos mesures – vous pouvez plutôt essayer de recréer le gâteau plusieurs fois avec différentes quantités de sucre, et le gâteau qui se rapproche le plus de l’original vous indique la quantité de sucre qu’il y avait dans celui de votre grand-mère, précisément parce que vous savez combien de sucre vous utilisiez pour vos gâteaux.”

Analyses de la mémoire

Les chercheurs ont ensuite testé le potentiel de leur nouvelle méthode sur des données d’enregistrements neuronaux du cortex visuel d’une étude précédente. “Nous nous sommes demandé si les fluctuations spontanées de l’activité neuronale étaient régies par une seule échelle de temps, ou si peut-être le processus que nous avons observé était la somme de plusieurs processus avec des échelles de temps différentes”, explique Levina. “Dans ce cas particulier, nous avons vu que le processus dans le cerveau impliquait deux échelles de temps intrinsèques différentes, ce qui n’avait jamais été signalé auparavant.”

Zeraati ajoute : « De la même manière, nous pouvons analyser presque tous les processus intrinsèques du cerveau, par exemple la façon dont les neurones se souviennent du passé. Cela fait de notre nouvelle méthode d’estimation un outil incroyablement précieux et puissant pour les neuroscientifiques et autres chercheurs.

L’étude est publiée dans Science computationnelle de la nature.


L’horloge cérébrale fonctionne différemment dans l’autisme


Plus d’information:
Anna Levina, Un cadre bayésien flexible pour une estimation impartiale des échelles de temps, Science computationnelle de la nature (2022). DOI : 10.1038 / s43588-022-00214-3. www.nature.com/articles/s43588-022-00214-3

Fourni par la société Max Planck

Citation: A flexible Bayesian framework for unbiased estimation of timescales (2022, March 25) récupéré le 25 mars 2022 sur https://techxplore.com/news/2022-03-flexible-bayesian-framework-unbiased-timescales.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.