Déségrégation du traitement prédictif neuronal

Comment le cerveau mise sur l’avenir

À chaque instant, votre cerveau devine discrètement ce qui va se produire ensuite — quelle sensation votre main éprouvera en touchant une poignée, quel bruit feront vos pas, ou quel mot est probable dans une phrase. Quand la prévision est erronée, la surprise vous aide à apprendre. Cette étude pose une question profonde sur ce processus : existe-t-il des types de cellules cérébrales spécialisées uniquement dans la prédiction et d’autres uniquement dans la détection de la surprise, ou ces fonctions sont-elles réparties de façon plus démocratique ? À l’aide de modèles mathématiques et d’enregistrements réels dans le cerveau de souris, les auteurs montrent que prédiction et surprise sont beaucoup plus imbriquées qu’on ne le pensait.

Le cerveau comme machine à prévoir

Les neuroscientifiques considèrent de plus en plus le cerveau comme une machine de prévision qui compare en permanence ce qu’elle attend avec ce qui arrive réellement par les sens. Quand le monde se comporte comme prévu, l’activité dans de nombreuses aires sensorielles est atténuée ; lorsqu’un événement inattendu survient, certaines cellules réagissent plus fortement, produisant ce que les chercheurs appellent une « erreur de prédiction ». Les théories antérieures proposaient des schémas de connexion nets où un groupe de neurones représentait les stimulations entrantes tandis qu’un autre groupe calculait les erreurs. Mais la plupart des expériences testaient des situations très simples, par exemple un son prédisant un mouvement, ce qui est loin des associations multiples et emmêlées qui dominent le comportement naturel.

Simuler un monde sensoriel chargé

Pour explorer des situations plus réalistes, les auteurs ont construit un grand modèle informatique d’un circuit cérébral recevant de nombreux signaux sensoriels et moteurs simultanément. Le modèle apprend, par exposés répétés, quelles combinaisons d’événements ont tendance à aller ensemble — comme un animal apprenant qu’un mouvement particulier produit habituellement un son particulier. Crucialement, le modèle a été conçu pour générer des prédictions internes tout en maintenant une activité globale économe, reflétant le besoin du cerveau d’utiliser l’énergie efficacement. Au fur et à mesure de l’apprentissage, les neurones simulés ont fini par supprimer leurs réponses lorsqu’un appariement était attendu et à répondre plus fortement lorsqu’un partenaire prédit faisait défaut, reproduisant ce qui a été observé dans des expériences sur souris.

La surprise est partout, pas dans une seule boîte

Quand les chercheurs ont examiné en détail les « neurones » du modèle, ils ont découvert que les cellules ne se rangeaient pas clairement en cellules de prédiction et cellules d’erreur. Un neurone qui signalait une incompatibilité pour une paire d’événements pouvait se comporter comme un simple réporteur sensoriel pour une autre paire. À mesure que le modèle apprenait de plus en plus d’appariements distincts, ce mélange devenait encore plus fréquent, et les neurones purement « uniquement erreur » devenaient rares. Les auteurs se sont ensuite tournés vers des enregistrements du cortex auditif de souris, où les animaux s’attendaient à un ton spécifique après avoir pressé un levier mais recevaient parfois des sons altérés. Le motif de réponses à travers de nombreux neurones montrait le même type de mélange prédit par le modèle, ce qui plaide contre une séparation nette des rôles de prédiction et d’erreur dans les cerveaux réels.

Équilibrer excitation, inhibition et complexité

L’étude examine aussi comment l’équilibre entre excitation et suppression au sein des circuits cérébraux façonne la prédiction. Le modèle sépare l’entrée de chaque neurone en deux parties : l’excitation sensorielle directe et le feedback interne d’autres neurones qui portent des prédictions. Quand ces deux influences se neutralisent presque, le système devient « équilibré » et de petites discordances ressortent plus clairement. Les auteurs trouvent qu’il existe un niveau optimal de cet équilibre, sans excès de rigidité. À mesure que le nombre d’associations apprises augmente, les circuits les plus performants deviennent en fait moins strictement équilibrés, ce qui aide à éviter les interférences entre de nombreuses prédictions qui se chevauchent. En étendant le modèle pour inclure des cellules excitatrices et inhibitrices distinctes — et des couches empilées rappelant la profondeur corticale — les auteurs montrent que les signaux liés à la prédiction sont répartis entre types cellulaires et couches plutôt que stockés en un lieu unique spécialisé.

Pourquoi cela importe pour comprendre la pensée

Dans la vie quotidienne, nous jonglons en permanence avec d’innombrables attentes sur les sons, les images et les mouvements. Ce travail suggère que le cerveau soutient une telle richesse prédictive en répartissant la charge sur de nombreux neurones qui partagent les tâches de façon flexible, plutôt qu’en dédiant des cellules spécialistes rigides à la prédiction ou à l’erreur. Il met aussi en lumière comment un équilibre finement réglé, mais pas excessivement strict, entre signaux excitateurs et inhibiteurs permet à ces circuits de gérer de nombreuses associations sans devenir instables. Ensemble, la modélisation et les expériences dessinent le portrait d’un traitement prédictif hautement distribué et adaptable — un code susceptible d’aider à expliquer comment les cerveaux construisent des modèles internes d’un monde complexe et en perpétuel changement.

Citation: Wang, B., Audette, N.J., Schneider, D.M. et al. Desegregation of neuronal predictive processing. Nat Commun 17, 3919 (2026). https://doi.org/10.1038/s41467-026-70347-w

Mots-clés: traitement prédictif, circuits neuronaux, prédiction sensorielle, équilibre excitateur-inhibiteur, modèles de réseaux neuronaux