Clear Sky Science
Des explications fondées sur des preuves, avec peu de jargon

Clear Sky Science · fr

Jeu de données comportementales pour Long-Evans et sa sous-lignée de type schizophrénie sur plusieurs générations

· Retour à l’index

Pourquoi le comportement des rats peut nous aider à comprendre les maladies mentales

La schizophrénie est un trouble mental grave, mais l’étudier directement chez l’humain est lent, difficile et limité par l’éthique. Les chercheurs utilisent souvent des animaux pour explorer comment les gènes, les expériences de vie et la chimie du cerveau interagissent au fil du temps. Cet article décrit un jeu de données ouvert et riche collecté sur sept ans auprès de plus d’un millier de rats, y compris une lignée spécialement sélectionnée présentant des traits proches de la schizophrénie. En rendant ces mesures librement accessibles, les auteurs offrent une ressource puissante à quiconque s’intéresse aux interactions entre comportement, apprentissage et hérédité.

Un long suivi de deux lignées de rats

L’étude suit 1 342 rats d’une souche de laboratoire standard, Long-Evans, et d’une lignée sœur appelée Lisket, conçue pour modéliser certains aspects de la schizophrénie. Les rats Lisket ont été exposés tôt dans leur vie à trois défis : une période d’isolement social, des doses répétées d’un médicament qui altère la signalisation cérébrale, et un élevage sélectif basé sur le comportement. Sur 16 générations, des mâles et des femelles des deux lignées ont été élevés dans des conditions strictement contrôlées puis testés à l’âge de dix semaines. Ce protocole de longue durée permet aux scientifiques d’examiner non seulement les différences entre les deux souches, mais aussi la stabilité ou l’évolution des comportements au fil des générations.

Une piste pour rats qui mesure curiosité et apprentissage

Pour capturer le comportement de façon efficace, l’équipe a utilisé un dispositif construit sur mesure appelé Ambitus : une piste rectangulaire aux parois transparentes bordée de petites boîtes latérales pouvant délivrer de minuscules récompenses alimentaires.

Figure 1
Figure 1.
Les rats soumis à restriction alimentaire sont placés au même point de départ et autorisés à explorer pendant quelques minutes, des capteurs infrarouges enregistrant silencieusement chaque mouvement et chaque fouille nasale. Dans la tâche du matin, toutes les boîtes contiennent des récompenses ; dans la tâche ultérieure, seules les boîtes intérieures sont appâtées, obligeant les animaux à adapter leur stratégie de recherche. Chaque rat effectue quatre essais courts, produisant des relevés détaillés de la distance parcourue, de la rapidité à trouver la nourriture, de la fréquence de revisite des boîtes et de l’évolution du comportement d’un essai à l’autre.

Des trajectoires brutes à des scores significatifs

Les auteurs ont transformé ces mouvements en 91 mesures différentes qui décrivent collectivement la locomotion, l’exploration, la collecte de récompenses et l’efficacité d’apprentissage. Pour le programme d’élevage, des mesures clés ont été regroupées en scores simples classant chaque animal en risque faible, moyen ou élevé pour un profil de type schizophrénie. Le jeu de données complet va toutefois bien au-delà de ces catégories. Il comprend une table « brute », où chaque essai pour chaque rat est listé séparément, et une table « traitée », où le comportement sur les quatre essais est synthétisé pour chaque animal, accompagné de sa souche, de son sexe, de sa génération et de la date du test. Cette structure permet aux utilisateurs d’analyser le comportement au fil du moment ou de comparer des tendances à grande échelle.

Contrôler la qualité des données

Les grands jeux de données ne sont utiles que s’ils sont fiables, aussi les auteurs effectuent plusieurs vérifications. Ils cartographient la fréquence des valeurs manquantes et montrent que la plupart des mesures sont complètes à plus de 99 %. Les principales lacunes surviennent lorsqu’un rat ne visite simplement aucune boîte latérale pendant une phase donnée, ce qui est en soi un signe informatif de faible activité plutôt qu’une erreur technique.

Figure 2
Figure 2.
Ils examinent aussi la force des corrélations entre mesures, révélant des grappes de comportements liés et une certaine redondance que les futurs utilisateurs pourront réduire. Enfin, ils testent si les scores dérivent au fil des générations et ne trouvent que de petits changements irréguliers, suggérant que les schémas comportementaux globaux restent stables sur la période de sept ans.

Ce que cela signifie pour la recherche future

En soi, ce travail ne prétend pas résoudre la schizophrénie ni identifier un unique « comportement de la maladie » chez le rat. Il offre en revanche une base soigneusement documentée et ouverte sur laquelle de nombreuses études peuvent s’appuyer. Les neuroscientifiques peuvent l’utiliser pour rechercher des marqueurs comportementaux robustes, les data scientists tester de nouveaux outils d’apprentissage automatique, et les pharmacologues comparer comment des traitements potentiels pourraient modifier les schémas d’activité et d’apprentissage. Pour le lecteur non spécialiste, le message clé est que les éléments fondamentaux de la découverte — mesures propres et longitudinales du comportement dans des conditions contrôlées — sont désormais partagés de manière à favoriser la collaboration. Cela augmente la probabilité que des liens subtils entre gènes, expérience et santé mentale apparaissent progressivement plus clairement.

Citation: Kőrösi, G., Czimbalmos, O., Kekesi, G. et al. Behavioral dataset for Long-Evans and its schizophrenia-like substrain through several generations. Sci Data 13, 398 (2026). https://doi.org/10.1038/s41597-026-06735-0

Mots-clés: comportement du rat, modèle de la schizophrénie, jeu de données longitudinal, tests cognitifs, apprentissage automatique en neurosciences