Notre impact

AccueilRétro-ingénierie du cerveau

Rétro-ingénierie du cerveau

Construire des jumeaux numériques de l’intelligence humaine

Les avancées en intelligence artificielle (IA) ont créé des systèmes capables de voir et de parler —
mais ces modèles pourraient-ils nous aider à comprendre le code neuronal qui sous-tend l’intelligence humaine ?

En reliant l’IA et les neurosciences, nous construisons des modèles computationnels qui imitent le traitement interne du cerveau.

Ces « jumeaux numériques » du cerveau nous permettent de tester des hypothèses sur ordinateur plutôt que chez un patient.

Notre approche vise à dévoiler les mécanismes de différents domaines de l’intelligence tels que la vision et le langage, ouvrant la voie à des traitements ciblés pour des troubles comme la dyslexie, les déficiences visuelles ou la dépression.

Création de répliques computationelles

  • Les chercheurs utilisent le deep learning — la technologie derrière l’IA moderne — pour construire des réseaux neuronaux artificiels qui fonctionnent comme des réplicas fonctionnels du cerveau.
  • Contrairement aux cartes anatomiques statiques, ces modèles simulent la communication dynamique des neurones lors du traitement de l’information : des entrées sensorielles aux mécanismes neuronaux jusqu’aux décisions comportementales.
  • Parmi les avancées récentes figure TopoLM, un modèle de langage qui organise spatialement ses neurones artificiels, à l’image des centres du langage dans le cerveau humain.

Evaluation avec Brain-Score

  • Pour garantir la précision de ces modèles, le laboratoire développe Brain-Score, une plateforme open source qui compare les modèles d’IA à de vraies données cérébrales. Si un modèle fait les mêmes choix comportementaux et montre une activité interne similaire à celle d’un humain, il peut servir de proxy valide pour l’étude.
  • Parmi les résultats récents : un alignement temporel entre les modèles de vision dynamique et l’activité cérébrale humaine lors du visionnage de films. Les meilleurs modèles prédisent avec précision l’activité neuronale seconde par seconde chez des participants humains.

De la simulation jusqu’au traitement en clinique

  • Une fois validés, ces jumeaux numériques peuvent être utilisés pour concevoir des solutions.
  • Par exemple, les chercheurs peuvent s’appuyer sur les modèles pour créer des polices visuelles facilitant la lecture pour les personnes dyslexiques, ou identifier les meilleures cibles de stimulation cérébrale pour les troubles visuels ou la dépression — sans recourir à un long processus invasif d’essais et d’erreurs.

La boîte noire de l’esprit

  • Bien que nous disposions de cartes détaillées de l’anatomie du cerveau, nous ne comprenons pas encore pleinement comment des milliards de neurones s’organisent pour produire perception, pensée et comportement.
  • Ce problème de « boîte noire » rend difficile le traitement efficace des troubles cognitifs.

Les limites des thérapies actuelles

  • Les traitements en santé mentale et en neurologie reposent souvent sur une approche par essais et erreurs, car nous ne pouvons pas prédire comment une intervention spécifique modifiera les circuits neuronaux.
  • Les conditions comme la dépression ou la schizophrénie impliquent des changements subtils du traitement neuronal que les techniques d’imagerie traditionnelles ne peuvent pas entièrement décoder.
Prof. Martin Schrimpf, EPFL

Martin Schrimpf est professeur assistant en tenure track à l’institut EPFL Neuro-X.
Ses recherches intègrent deep learning, neurosciences et sciences cognitives pour rétroconcevoir les mécanismes neuronaux de la vision et du langage.
En développant des « jumeaux numériques » de pointe du cerveau, son laboratoire vise à prédire les réponses neuronales et à créer des solutions d’ingénierie neuromodulatoire pour les troubles neurologiques et psychiatriques.

Institution(s):
Domaine(s) de recherche:

Points forts

86 milliards de neurones

interagissent dans le cerveau humain pour produire l’intelligence.

2000+ modèles d’IA

ont été testés pour trouver la meilleure correspondance avec les fonctions cérébrales humaines.

100+ benchmarks neuronaux

sont utilisés sur Brain-Score pour valider la fidélité des jumeaux numériques par rapport au tissu cérébral réel.

10 % de la population

est touchée par la dyslexie, une condition que cette recherche vise à mieux comprendre via la modélisation computationnelle.

Autres recherches dans ce domaine

Neuro-ingénierieNeurosciences cliniques et translationnelles

Restaurer le mouvement après une paralysie

Stimulation électrique de la moëlle épinière Un réseau d’électrodes implantables, connecté à un stimulateur implanté, délivre des impulsions électriques aux différents nerfs spinaux. Chaque...
Plateforme d’Imagerie par Résonance Magnétique (IRM)Plateforme de Micro-Systèmes Neuronaux (NMP)Plateforme de Neurosciences Précliniques (PNP)Plateforme M/EEG & Neuromod (MEG)

Suivi nutritionnel par IA

Prendre en photo, reconnaître, comprendre MyFoodRepo utilise l’apprentissage profond pour identifier les aliments à partir de photos prises avec un smartphone. Les utilisateurs photographient...

La télésanté améliore-t-elle l’accès équitable aux soins ?

Méthodologie La télémédecine est déployée par étapes afin que chaque site serve de contrôle. Nous comparons les périodes avant/après au sein des sites et...

Des données jusqu’aux décisions: l’Implementome

Ingénierie des connaissances Au cœur de l’Implementome se trouve un modèle formel de connaissances qui définit les entités (projets, technologies, parties prenantes, résultats, contextes), leurs...