Une interface neuronale souple multi‑régions pour le décodage des états comportementaux chez la souris en liberté

Écouter la routine quotidienne du cerveau

Des activités ordinaires comme se reposer, se promener ou prendre une collation semblent naturelles, mais elles émergent de millions de neurones qui s’activent ensemble au cœur du cerveau. Cette étude montre comment un nouveau système de capteurs flexibles, associé à l’intelligence artificielle moderne, peut « écouter » plusieurs régions cérébrales à la fois chez des souris en liberté et déterminer de façon fiable ce que fait l’animal. À plus long terme, ce type de technologie pourrait aider les scientifiques à mieux comprendre les troubles cérébraux et à développer des interfaces cerveau‑ordinateur plus efficaces en dehors du laboratoire.

Une fenêtre souple sur un cerveau actif

Les sondes cérébrales traditionnelles sont rigides et s’intéressent généralement à une seule zone, ce qui peut irriter les tissus et faire manquer la vue d’ensemble de la coopération entre régions. L’équipe a conçu une sonde multi‑régions flexible qui résout ces deux problèmes. Chaque sonde comporte huit bras fins, ou « shanks », garnis de petites pastilles d’or pour l’enregistrement. Des courbes astucieuses en forme d’oméga intégrées à chaque shank permettent à la structure de s’étirer et de fléchir avec le tissu mou du cerveau, pour atteindre des zones éloignées sans se briser ni tirer sur les tissus. Des tests dans des gels « fantômes » et chez des souris vivantes ont montré que l’appareil peut couvrir plus d’un centimètre de tissu cérébral et maintenir ses propriétés électriques stables pendant des semaines, même lorsque les animaux se déplacent naturellement.

Suivre les souris au repos, en exploration et en train de manger

Pour relier l’activité cérébrale au comportement réel, les chercheurs ont construit une boîte transparente où les souris pouvaient se déplacer librement, avec une litière au sol, de la nourriture dans un coin fixe et une lampe capable d’émettre de brèves flashs. Des caméras aériennes suivaient la position de la tête et de la queue, tandis que la nouvelle sonde enregistrait des signaux cérébraux basse fréquence provenant de jusqu’à huit régions, incluant des centres liés au mouvement, au toucher, à la mémoire et à la vision. L’équipe s’est concentrée sur quatre états facilement reconnaissables : repos, exploration de la boîte, alimentation au point de nourriture, et réponse à un flash lumineux rythmique. En annotant soigneusement le comportement à partir des vidéos et en l’associant aux enregistrements cérébraux, ils ont constitué un riche jeu de données couvrant environ une semaine d’activité chez quatre souris.

Apprendre à une IA à lire les motifs cérébraux

Les signaux cérébraux évoluent rapidement dans le temps et selon les régions, si bien que l’équipe s’est tournée vers un modèle d’apprentissage profond pour détecter des motifs difficiles à repérer pour l’œil humain. Leur modèle personnalisé « L‑Conformer » combine deux approches : une partie recherche des formes à courte portée dans le signal, tandis qu’une autre, basée sur l’« attention », suit les relations entre motifs sur des durées plus longues. En faisant glisser une fenêtre temporelle sur les enregistrements, le modèle apprend à associer chaque tranche de quatre secondes d’activité cérébrale à l’un des quatre états comportementaux. Les chercheurs ont testé de nombreuses longueurs de fenêtre et constaté que quatre secondes constituaient le meilleur compromis entre capturer un comportement soutenu et éviter les mélanges d’états, atteignant près de 89 % de précision. Des modèles concurrents issus de travaux récents sur les interfaces cerveau‑ordinateur n’ont pas obtenu d’aussi bons résultats sur cet ensemble de données naturaliste et exigeant.

Plusieurs régions valent mieux qu’une

Une question clé était de savoir s’il valait mieux concentrer de nombreux électrodes dans une « »région préférée« » ou les répartir à travers le cerveau. Quand le modèle a été entraîné sur les signaux d’une zone à la fois, les performances variaient fortement et restaient souvent modestes. La combinaison des huit régions a porté la précision moyenne à près de 88 %. L’équipe a ensuite réalisé des comparaisons équitables en conservant le même nombre total de canaux tout en changeant leur répartition. Avec seulement quelques canaux, les concentrer dans une seule région fonctionnait légèrement mieux. Mais dès que des signaux provenant de cinq régions ou plus étaient inclus, la disposition répartie prenait nettement l’avantage et continuait de s’améliorer, tandis que la configuration mono‑région atteignait un plafond. Cela suggère que des états quotidiens comme repos, exploration et alimentation sont des phénomènes à l’échelle du cerveau entier, et non le produit d’un « centre » unique.

Décodage stable au fil des jours et entre différentes souris

Pour toute application clinique ou d’assistance future, un décodeur doit rester opérationnel au‑delà d’une seule session d’enregistrement ou d’un seul individu. Les chercheurs se sont donc demandé si leur modèle pouvait gérer de nouveaux jours et de nouveaux animaux sans réentraînement constant. Lorsqu’il a été entraîné sur plusieurs jours de données d’une souris puis testé sur des jours ultérieurs, la précision a atteint environ 85 %, proche des performances observées le même jour, même sans réajustement du modèle. Dans un test plus exigeant, ils ont entraîné le système sur trois souris et l’ont évalué sur une quatrième. De manière remarquable, le modèle a encore pu deviner l’état comportemental de cet animal avec environ 70 % de précision immédiatement, et un simple ajustement avec quelques données de la nouvelle souris a fait passer la précision au‑dessus de 80 %.

Ce que cela signifie pour les interfaces cérébrales futures

En résumé, l’étude montre qu’un « filet d’écoute » souple multi‑régions associé à un algorithme d’apprentissage puissant peut décoder de manière fiable ce qu’une souris en liberté fait, sur des semaines et entre différents animaux. Pour un public non spécialiste, l’idée clé est que des états cérébraux comme le repos, l’exploration et l’alimentation se manifestent sous forme de motifs à grande échelle répartis dans tout le cerveau, et que l’électronique flexible couplée à l’IA peut lire ce code distribué sans endommager les tissus ni repartir de zéro chaque jour. À plus long terme, des approches similaires pourraient aider à surveiller les états internes dans les maladies cérébrales, orienter des thérapies et soutenir des interfaces cerveau‑ordinateur utilisables dans des contextes plus naturels et quotidiens.

Citation: Tian, Y., Li, G., Su, H. et al. A multi-region flexible neural interface for behavioral state decoding in freely moving mice. Microsyst Nanoeng 12, 154 (2026). https://doi.org/10.1038/s41378-026-01258-5

Mots-clés: interface cerveau‑ordinateur, décodage neuronal, électrodes flexibles, état comportemental, apprentissage profond