Sur le rôle des interactions cortex-ganglions de la base dans l'apprentissage des catégories : une approche neurocomputationale

En plus du cortex préfrontal (CPF), les ganglions de la base (GB) ont été de plus en plus souvent rapportés comme jouant un rôle fondamental dans l'apprentissage des catégories, mais les mécanismes de circuit qui médiatisent leur interaction restent à explorer. Nous avons développé un nouveau modèle neurocomputational de l'apprentissage des catégories qui aborde particulièrement l'interaction GB–CPF. Nous proposons que les GB biaisent l'activité du CPF en supprimant l'inhibition de la boucle cortico-thalamocorticale et fournissent ainsi un signal d'enseignement pour guider l'acquisition des représentations de catégories dans les associations corticocorticales vers le CPF. Notre modèle réplique des données comportementales et physiologiques clés de l'apprentissage d'une tâche de distorsion de prototype chez le singe macaque provenant d'Antzoulatos et Miller (2011). Nos simulations nous ont permis d'obtenir une compréhension plus approfondie de la diminution observée de la sélectivité catégorielle dans les neurones striataux vue dans les données expérimentales et dans le modèle. Les résultats des simulations et une nouvelle analyse des données expérimentales basée sur les prédictions du modèle montrent que la baisse de la sélectivité catégorielle du striatum émerge à mesure que la variabilité des réponses dans le striatum augmente face à un nombre de stimuli à classifier de plus en plus grand. Le modèle neurocomputational offre donc de nouvelles perspectives testables sur les circuits cérébraux à niveau systémique impliqués dans l'apprentissage des catégories qui peuvent également être généralisées pour mieux comprendre d'autres boucles cortico-GB-corticales. DÉCLARATION DE SIGNIFICATIVITÉ Inspirés par l'idée que les ganglions de la base (GB) enseignent au cortex préfrontal (CPF) à acquérir des représentations de catégories, nous avons développé un nouveau modèle neurocomputational et l'avons testé sur une tâche récemment appliquée dans des expériences sur les singes. En tant qu'avantage par rapport aux modèles précédents d'apprentissage des catégories, notre modèle permet de comparer les données de simulation avec des enregistrements cellulaire unique dans le CPF et les GB. Nous n'avons pas seulement dérivé des prédictions du modèle, mais avons déjà vérifié une prédiction pour expliquer la diminution observée de la sélectivité catégorielle striatique. En testant notre modèle avec une tâche simple de catégorisation des visages dans le monde réel, nous avons observé que l'apprentissage rapide du striatum, avec une performance de 85 % de réponses correctes, peut enseigner l'apprentissage plus lent du CPF pour faire passer la performance du modèle à presque 100 %.