ATLANTA—Sergey Plis, professeur agrégé d’informatique à la Georgia State University, et ses collaborateurs ont reçu 1,3 million de dollars du programme Collaborative Research in Computational Neuroscience, géré conjointement par la National Science Foundation et les National Institutes of Health (NIH), pour étudier liens de causalité dans le cerveau.

Le prix de quatre ans, financé par le NIH, soutiendra la recherche interdisciplinaire pour construire des modèles d’apprentissage causaux qui peuvent produire un modèle de la façon dont les régions du cerveau interagissent.

Aperçu

Une maxime en science est que « la corrélation n’est pas la causalité ». En d’autres termes, le simple fait d’observer une association entre deux variables ne signifie pas qu’il existe une relation de cause à effet entre elles. D’un point de vue éthique, cependant, les chercheurs sur le cerveau sont souvent limités à la collecte de données d’observation et à l’utilisation de modèles de corrélation pour déduire des modèles de causalité.

« Nous ne pouvons pas simplement fouiller dans le cerveau pour voir comment cela fonctionne », a déclaré Plis, qui est également directeur de l’apprentissage automatique au Center for Translational Research in Neuroimaging & Data Science (TReNDS) de l’université.

Il existe un problème de longue date associé aux données d’observation sur le cerveau : la vitesse des connexions cérébrales humaines et la vitesse de la modalité de mesure ne sont pas égales. Par exemple, a noté Plis, les neurones humains se déclenchent beaucoup plus rapidement que l’imagerie par résonance magnétique fonctionnelle (IRMf) ne peut mesurer l’activité cérébrale.

« Les déductions que les scientifiques tirent de ces données sont statistiquement solides, mais elles reposent sur une fausse hypothèse, à savoir que les échelles de temps sont les mêmes », a déclaré Plis. « En conséquence, ces méthodes peuvent produire des informations incorrectes ou peu fiables sur la façon dont les régions du cerveau s’influencent mutuellement. »

D’autres types d’imagerie cérébrale, tels que la magnétoencéphalographie (MEG) ou l’électroencéphalographie (EEG), peuvent mesurer les processus à une vitesse plus rapide que l’IRMf, mais ils produisent des données moins détaillées. Les scientifiques manquent de méthodes pour intégrer les informations causales à travers de multiples modalités d’imagerie avec des échelles de temps considérablement variées.

Objectifs du projet

Le projet vise à développer de nouvelles théories et méthodes permettant d’en apprendre davantage sur la structure causale et la connectivité du cerveau, même lorsqu’il existe un décalage important entre la vitesse du cerveau et la mesure. L’ensemble d’algorithmes résultant fournira à la communauté de la neuroimagerie une compréhension plus robuste et fiable de la connectivité dirigée dans le cerveau.

« Nous utiliserons les données collectées à différentes vitesses par différentes modalités et les combinerons pour en révéler davantage sur la façon dont les régions du cerveau s’influencent mutuellement », a déclaré Plis. « Par exemple, nous pouvons prendre une modalité lente comme l’IRMf et apprendre des informations causales à une échelle neuronale plus rapide, puis les fusionner avec ce que nous apprenons de la MEG ou de l’EEG. En les combinant, l’un pourrait corriger partiellement l’autre.

En plus de fournir aux scientifiques un nouvel ensemble d’outils méthodologiques, le projet fera progresser les connaissances scientifiques sur les bases neuronales des maladies. L’équipe prévoit d’appliquer leurs modèles à la schizophrénie, qui est considérée comme un trouble de la « déconnexion ».

« Nous savons que quelque chose s’est mal passé avec la connectivité à l’intérieur du cerveau de ces patients, mais il existe des théories concurrentes sur ce qui s’est exactement passé », a déclaré Plis. « En utilisant nos modèles de fusion causale dynamique, nous pourrons tester les prédictions et valider ces théories. »

Les modèles informatiques pourraient également être appliqués à d’autres problèmes qui traitent d’ensembles de données variés et complexes, a ajouté Plis, tels que des questions sur les relations causales liées au temps ou au climat.

Des chercheurs

Les collaborateurs de Plis incluent Vince Calhoun, professeur émérite de psychologie à l’université et directeur de TReNDS ; Godfrey Pearlson, professeur de psychiatrie et de neurosciences à la Yale School of Medicine; et David Danks, professeur de philosophie et de psychologie à l’Université de Californie-San Diego. Ils recherchent des collaborateurs supplémentaires pour rejoindre le projet.

Un résumé de la subvention, 1R01MH129047, est disponible sur le site Web du NIH Reporter.

Chercheur vedette

Sergueï Plis
Professeur agrégé
L’informatique

Avec une formation en ingénierie, intelligence artificielle et informatique, Plis se concentre sur le développement d’instruments de calcul qui permettent l’extraction de connaissances à partir de données d’observation multimodales collectées à différentes échelles temporelles et spatiales.