Comparer la connectivité effective et la connectivité fonctionnelle

Pourquoi les cartographies des connexions cérébrales comptent

Nos pensées, nos souvenirs et nos actions émergent de milliards de cellules cérébrales qui communiquent entre elles. Les technologies modernes permettent désormais aux scientifiques d’écouter ces dialogues à grande échelle, mais elles le font de façons très différentes. Cette étude pose une question apparemment simple aux implications majeures : quand on voit des groupes de cellules cérébrales s’activer ensemble, cela nous renseigne‑t‑il vraiment sur leur câblage ? En comparant directement deux méthodes populaires de cartographie des connexions, les auteurs montrent que chaque méthode révèle un aspect différent du fonctionnement du cerveau — et que les combiner est essentiel pour comprendre le calcul cérébral.

Deux façons d’écouter le cerveau

Les neuroscientifiques distinguent souvent deux types de connexions. L’un est le « câblage » physique entre cellules nerveuses : de minuscules jonctions appelées synapses où une cellule peut influencer directement une autre en quelques millièmes de seconde. Dans cet article, ces liens directs sont appelés connectivité effective, car ils capturent qui affecte réellement qui dans le circuit. L’autre type est la connectivité fonctionnelle, qui ne porte pas sur des liens physiques mais sur les cellules qui ont tendance à s’activer ensemble au fil du temps. La connectivité fonctionnelle est généralement mesurée par des méthodes optiques qui suivent les variations lentes de calcium à l’intérieur des cellules, un substitut de leur activité électrique. Les auteurs ont cherché à savoir dans quelle mesure ces deux points de vue concordent lorsqu’ils sont mesurés sur les mêmes neurones.

Lire le câblage à grande finesse du cerveau

Pour sonder le câblage cérébral, les chercheurs ont utilisé des sondes d’électrodes à haute densité, connues sous le nom de Neuropixels, pour enregistrer les temps précis de décharge de 242 neurones dans trois régions du cerveau de souris : thalamus, hippocampe et cortex visuel. Ils ont ensuite appliqué une méthode statistique avancée, ShinGLMCC, pour inférer quels neurones étaient probablement connectés directement. Cette analyse a correctement retrouvé de nombreuses caractéristiques connues de l’anatomie cérébrale. Par exemple, elle a mis en évidence de fortes voies unidirectionnelles au sein de l’hippocampe et du cortex visuel qui correspondent aux schémas de circuit établis, et elle a clairement séparé les neurones principalement excitateurs de ceux principalement inhibiteurs. Les neurones inhibiteurs formaient des boucles réciproques riches avec des voisins excitateurs, cohérentes avec une compétition de type « le gagnant rafle tout » où certains motifs d’activité suppriment d’autres. La répétition de l’analyse sur deux moitiés différentes des données a produit des diagrammes de câblage presque identiques, suggérant que les estimations étaient stables et fiables.

Suivre les ondes lentes d’activité

Puis, les auteurs ont transformé les mêmes enregistrements de spikes en signaux calciques artificiels, imitant ce qu’un microscope biphotonique verrait. Chaque spike a été converti en une impulsion lisse qui monte rapidement et décroît sur des dizaines à des milliers de millisecondes. En corrélant ces signaux lents entre paires de neurones, ils ont construit des cartes de connectivité fonctionnelle à différentes échelles temporelles. Les fortes corrélations positives reliaient généralement des neurones au sein d’une même région cérébrale, tandis que les corrélations négatives étaient plus diffusées. Raccourcir l’échelle temporelle supposée du calcium rendait ces réseaux fonctionnels plus localisés et, à première vue, un peu plus proches du câblage sous‑jacent. Cependant, même à des échelles temporelles irréalistement rapides, la plupart des paires fortement co‑actives n’étaient pas connectées directement, et la meilleure correspondance statistique entre les deux cartes restait loin d’être parfaite.

Quand des entrées partagées embrouillent le tableau

Pour comprendre pourquoi la co‑activité diverge du câblage, l’équipe a construit un modèle informatique d’un réseau artificiel dont les connexions étaient copiées de leur diagramme de câblage inféré. Ils ont ajusté le modèle pour que les neurones simulés tirent aux mêmes fréquences que les neurones réels, puis ont examiné à la fois la connectivité effective et la connectivité fonctionnelle dans ce système clos. Dans le réseau isolé, la connectivité fonctionnelle reflétait le câblage réel un peu mieux que dans les données expérimentales. Mais lorsqu’ils ont légèrement augmenté l’entrée vers un sous‑ensemble de neurones — mimant un faible stimulus sensoriel — ces neurones sont soudainement apparus fortement connectés fonctionnellement entre eux, alors que le câblage réel avait à peine changé. Autrement dit, des entrées partagées ou fluctuantes peuvent facilement créer l’illusion de liens forts là où il n’en existe pas, façonnant fortement la connectivité fonctionnelle tout en laissant la connectivité effective essentiellement inchangée.

Ce que cela signifie pour la compréhension du cerveau

Le message central de l’étude est que les cartes de co‑activité et les cartes d’influence physique ne sont pas interchangeables. La connectivité effective, dérivée d’enregistrements électriques rapides, capture le matériel du cerveau : qui peut directement influencer qui et à quelle échelle temporelle rapide. La connectivité fonctionnelle, issue de signaux calciques plus lents, reflète le logiciel du cerveau : des schémas plus larges d’activité coordonnée façonnés par des entrées partagées, des voies indirectes et l’état global du cerveau. Même avec une imagerie plus rapide ou des statistiques plus raffinées, la simple synchronie est peu susceptible de révéler complètement le câblage fin en dessous. Pour comprendre réellement comment les circuits cérébraux calculent, soutiennent les auteurs, les travaux futurs doivent combiner les deux points de vue — utiliser des cartes de câblage détaillées pour ancrer des modèles de dynamique de réseau, et utiliser des motifs d’activité à grande échelle pour voir comment ces circuits se comportent dans des conditions réelles et changeantes.

Citation: Shinomoto, S., Tsubo, Y. Comparing effective and functional connectivity. Sci Rep 16, 12161 (2026). https://doi.org/10.1038/s41598-026-42580-2

Mots-clés: connectivité cérébrale, circuits neuronaux, imagerie calcique, trains de potentiels d’action, dynamique des réseaux