Dans une pièce sombre d’Ashburn, en Virginie, des rangées de scientifiques sont assises devant des écrans d’ordinateur affichant des formes 3D vives. D’un clic de souris, ils font tourner chaque forme pour l’examiner de tous les côtés. Les scientifiques travaillent à l’intérieur d’un bâtiment en béton du campus de recherche Janelia de l’Institut médical Howard Hughes, juste à côté d’une rue appelée Helix Drive. Mais leurs esprits sont complètement ailleurs – à l’intérieur du cerveau d’une mouche.
Chaque forme sur les écrans des scientifiques représente une partie d’un neurone de mouche des fruits. Ces chercheurs et d’autres de Janelia s’attaquent à un objectif qui semblait autrefois hors de portée: décrire chacun des quelque 100 000 neurones du cerveau de la mouche et identifier les millions d’endroits où ils se connectent. Un tel schéma de câblage, ou connectome, révèle les circuits complets des différentes zones du cerveau et la façon dont elles sont liées. Le travail pourrait aider à débloquer des réseaux impliqués dans la formation de la mémoire, par exemple, ou des voies neuronales qui sous-tendent les mouvements.
Gerry Rubin, vice-président de HHMI et directeur exécutif de Janelia, défend ce projet depuis plus d’une décennie. C’est une étape nécessaire pour comprendre le fonctionnement du cerveau, dit-il. Lorsque le projet a commencé, Rubin a estimé qu’avec les méthodes disponibles, tracer les connexions entre chaque neurone de mouche à la main prendrait 250 personnes travaillant pendant deux décennies – ce qu’il appelle « un problème de 5 000 personnes par an. »
Maintenant, un flux de progrès dans la technologie d’imagerie et les algorithmes d’apprentissage en profondeur ont sorti le rêve d’un connectome de mouche des nuages et dans le domaine des probabilités. Des microscopes personnalisés de haute puissance, une équipe de correcteurs neuronaux et d’analystes de données dédiés et un partenariat avec Google ont accéléré le processus de plusieurs ordres de grandeur.
Aujourd’hui, une équipe de chercheurs de Janelia rapporte avoir franchi une étape cruciale: ils ont tracé le chemin de chaque neurone dans une partie du cerveau de la mouche des fruits femelle qu’ils ont surnommé « l’hémibrain. »La carte comprend 25 000 neurones – environ un tiers du cerveau des mouches, en volume – mais son impact est démesuré. Il comprend des régions d’un vif intérêt pour les scientifiques — celles qui contrôlent des fonctions telles que l’apprentissage, la mémoire, l’odorat et la navigation. Avec plus de 20 millions de connexions neuronales identifiées à ce jour, c’est la carte la plus grande et la plus détaillée du cerveau de la mouche jamais réalisée.
L’équipe du projet connectome, connue sous le nom de FlyEM, met gratuitement à disposition les données et tous les outils nécessaires à leur utilisation. Ils décrivent le travail dans un document publié sur bioRxiv le 21 janvier 2020. Et ils sont actuellement sur la bonne voie pour compléter un connectome de l’ensemble du système nerveux des mouches d’ici 2022.
» C’était un gros pari sur quelque chose que les gens pensaient presque impossible à faire « , explique Viren Jain, chercheur chez Google et ancien chef de laboratoire chez Janelia. « Ce sera la première fois que nous pourrons vraiment avoir un regard nuancé sur l’organisation d’un système nerveux avec 100 000 neurones à l’échelle synaptique. »
Avec une carte neuronale détaillée à la main, les scientifiques seront en mesure de répondre à des questions sur le fonctionnement du cerveau plus rapidement que jamais. « Cela va changer la façon dont les gens font les neurosciences », dit Rubin.
Un plan du cerveau
À ce jour, un seul organisme a vu son connectome complet cartographié — Caenorhabditis elegans, un minuscule ver transparent avec seulement 302 neurones et environ 7 000 connexions neuronales. Les scientifiques ont rasé des rubans de tissu à l’aide d’un couteau en diamant, capturé des images au microscope électronique, puis tracé le chemin de chaque neurone du système nerveux du ver — à la main.
Le travail a nécessité une attention minutieuse aux détails. Mais les neurones des vers ne sont pas aussi nombreux que ceux des mouches, des souris ou des personnes – et ils ont tendance à établir moins de connexions. Démêler les vrilles serpentant à travers le cerveau des animaux plus gros est monumentalement plus difficile. Les projets de connectome sur des cerveaux plus complexes ont soit abordé une petite partie du cerveau en détail, soit cartographié des neurones dans tout un cerveau mais capturé seulement une fraction des cellules.
Aussi minuscule que puisse paraître le cerveau de la mouche – il a à peu près la taille d’une graine de pavot – cartographier ses 100 000 neurones avec des détails exquis est un défi à un tout autre niveau. Il y a quinze ans, « de nombreux neurobiologistes étaient sceptiques quant à la valeur d’avoir ce type de données sur le cerveau », d’autant plus qu’il serait laborieux de collecter, dit Jain.
Tout d’abord, les chercheurs doivent amadouer des images cérébrales à haute résolution à partir de microscopes puissants. Ensuite, ils doivent cartographier les grognements neuronaux qui se déploient à travers les deux hémisphères, pour chaque neurone. Comme le séquençage du génome humain, la réalisation du travail ne reposait pas sur une percée scientifique, dit Rubin, mais plutôt sur l’innovation technologique et la logistique humaine.
Pour lui, c’était un défi intéressant. « J’étais motivé par les sceptiques », dit-il. « Nous savions que nous devions rendre le processus plus de 100 fois plus efficace, mais c’est exactement le genre de projet que Janelia a été créée pour mener à bien », ajoute Rubin.
Le premier obstacle: obtenir une vue claire et nette de chaque neurone serpentant à travers le cerveau de la mouche.
Instantanés neuronaux
Derrière plusieurs ensembles de portes verrouillées et de rideaux blancs au sol, huit microscopes volumineux sont prêts à photographier le cerveau d’une mouche. Dans cette pièce feutrée, rien n’interfère avec la collecte d’images. Harald Hess, C. Shan Xu et leurs collègues ont préparé ces microscopes pour tout sauf l’apocalypse.
« Nous appelons cela la « Salle à l’épreuve de Dieu » », explique Hess, chef de groupe senior chez Janelia.
Les microscopes reposent sur des coussinets d’air gonflés pour minimiser les vibrations. Même la pièce elle-même a été construite pour atténuer le bruit; elle repose sur sa propre dalle de béton, séparée du reste du bâtiment.
Ces microscopes ont été conçus à l’origine pour capturer des données sur des minutes ou des heures. Mais pour visualiser l’ensemble du cerveau de la mouche, une lunette doit fonctionner en continu pendant des mois ou des années. Une seule lacune dans les données peut tout gâcher, dit Hess. » Il faut vraiment que ce soit parfait. »Son équipe a donc passé près d’une décennie à peaufiner chaque partie du processus de collecte d’images, décrit dans un article bioRxiv de novembre 2019. Les microscopes peuvent maintenant produire des images toujours nettes, révélant le labyrinthe de neurones du cerveau dans les détails complexes. En cas de dysfonctionnement, les portées interrompent automatiquement la collecte de données et envoient un SOS.
Hess, Xu et leurs collègues utilisent une technique appelée microscopie électronique à balayage par faisceau d’ions focalisés, ou FIB-SEM. La lunette utilise un faisceau d’ions focalisé pour éliminer de fins incréments de tissu cérébral de mouche, comme une sableuse très précise. Il tire des ions gallium sur un morceau de tissu, polissant la surface atome par atome. Le microscope enclenche une image de la surface du tissu, polit une autre couche mince et enclenche une autre image – encore et encore jusqu’à ce que l’échantillon entier soit broyé. Alors que l’échantillon physique disparaît lentement, son jumeau numérique est stocké pour toujours, pièce par pièce.
Ensuite, des programmes informatiques alignent ces images et les recoupent pour créer une représentation en 3D du cerveau de la mouche.
Pour imager l’hémibrain de la Drosophile, les chercheurs ont découpé un cerveau de mouche en dalles, ont imité chacune avec un microscope électronique, puis ont cousu toutes les images ensemble. L’objectif : Créer un volume d’image permettant aux scientifiques de tracer le chemin de chaque neurone dans le cerveau.
Les images utilisées pour le schéma de câblage – toutes d’une seule mouche femelle – ont déjà été collectées. Mais les portées sont toujours solides: ils collectent maintenant des données sur le cerveau d’une mouche mâle. Cette fois, l’objectif est de capturer l’ensemble du système nerveux central. Si tout se passe sans accroc, les portées termineront cette tâche d’ici la fin de 2020.
Stocker des images à partir d’un seul cerveau de mouche prendrait environ 100 téraoctets sur un disque dur. C’est à peu près l’équivalent de 100 millions de photos sur votre ordinateur, explique Steve Plaza, chef de l’équipe du projet FlyEM. C’est beaucoup trop de données pour que les humains passent au peigne fin à la main — les stratégies qui ont fonctionné sur C. elegans sont insuffisantes. Les chercheurs ont donc trouvé des moyens d’accélérer le processus, en formant des ordinateurs pour faire le travail automatiquement.
S’associer à un géant de la technologie
Les ordinateurs peuvent effectuer toutes sortes de tâches liées à l’image, telles que la reconnaissance de visages ou le repérage de routes dans des images satellites. Ces tâches reposent en partie sur un processus appelé segmentation d’image : décomposer une image numérique en ses éléments constitutifs et étiqueter chacun.
Depuis des années, Google expérimente des moyens d’améliorer ce processus. Jain et ses collègues voulaient créer une technologie de segmentation et l’appliquer à un problème difficile. L’analyse d’images de neurones correspond à la facture. Mais enseigner à un algorithme comment sélectionner ou segmenter de manière fiable les neurones dans des images nécessite de nombreux exemples d’entraînement. Jain a donc contacté l’équipe FlyEM de Janelia, qui produisait des données plus rapidement qu’elle ne pouvait les analyser. Les deux groupes ont commencé à partager des données et à suivre dans quelle mesure les algorithmes de Google suivaient les fibres neuronales à travers des couches de données d’imagerie.
» Google a fourni beaucoup de puissance intellectuelle et beaucoup de puissance de calcul –, explique Rubin – ils disposaient des dernières technologies et des ressources à consacrer au test d’algorithmes sur d’énormes ensembles de données. » C’était une collaboration idéale – des équipes qui avaient des expertises différentes travaillant ensemble. »
Idéalement, dit Jain, les ordinateurs pourraient simplement sélectionner les neurones directement à partir des images du microscope. Mais c’est difficile à faire, car de nombreux neurones étalent des vrilles sur de larges pans du cerveau, couvrant de nombreuses images. Dans le passé, les algorithmes ont adopté une approche fragmentaire. Tout d’abord, un algorithme informatique identifie les limites cellulaires séparant les neurones de tout le reste du cerveau. Ensuite, un autre algorithme colore à l’intérieur de ces limites, définissant chaque section comme un morceau de neurone. Enfin, un troisième algorithme relie toutes les pièces neuronales ensemble, formant un plan du chemin enchevêtré de chaque neurone.
Les algorithmes de Google éliminent toutes ces étapes, traçant les neurones de manière plus organique – comme un humain. Un algorithme, appelé réseau de remplissage d’inondation, suit directement les vrilles neuronales de bout en bout lorsqu’il fait défiler les données d’imagerie, explique Jain. Il prend des décisions sur la façon d’étendre la forme d’un neurone en fonction du contexte de l’image et de ses propres prédictions antérieures. Jain et ses collègues de Google décrivent le travail le 22 janvier 2020 dans un article sur le blog Google AI.
Pour aider le programme à apprendre, l’équipe l’a nourri de neurones entièrement tracés et validés par l’homme, explique Michal Januszewski, chercheur chez Google qui travaille sur le projet. Cela donne à l’algorithme une expérience d’interprétation de types et de formes variés de neurones, à travers le cerveau. « Avec un peu de chance, il apprend avec le temps à corriger les erreurs qui devaient initialement être corrigées à la main », dit-il.
À mesure que l’algorithme s’améliore, la charge de travail humaine diminue. Travailler avec Google a rendu le projet plus de 10 fois plus rapide, estime Rubin.
À toute vapeur
Malgré le succès de l’algorithme, les ordinateurs n’ont pas le dernier mot. De retour chez Janelia, des dizaines de correcteurs humains examinent les données, à des bureaux bondés de moniteurs grand écran. Ces techniciens recherchent des endroits où l’algorithme a mal fusionné des branches neuronales appartenant à différents neurones ou divisé par erreur une branche.
» Il faut encore beaucoup d’efforts manuels « , explique Ruchi Parekh, qui dirige une équipe de traceurs de neurones et de correcteurs. Au cours des quatre dernières années, son équipe est passée à près de 50 personnes, pour suivre le rythme des données segmentées que Google renvoie à des taux de plus en plus rapides. Une autre équipe, dirigée par Pat Rivlin, évalue et teste en permanence de nouvelles technologies pour rendre le processus de relecture plus efficace et plus précis. Mais le travail minutieux nécessite encore une énorme patience. Les correcteurs font défiler des couches de données d’imagerie, scrutant les points de connexion proposés sous plusieurs angles pour déterminer si les deux neurones communiquent réellement.
En ce qui concerne le traçage des neurones, les humains sont toujours meilleurs que les algorithmes à bien des égards, explique Plaza. Les humains ont les connaissances générales et la conscience qui leur permettent de repérer les bizarreries dans les données, explique-t-il. « Fondamentalement, les humains ont du bon sens. »
Par exemple, les erreurs de connexion importantes sont généralement évidentes pour l’œil humain. Ainsi, les correcteurs peuvent rapidement analyser de gros morceaux de données, à la recherche de neurones radicalement difformes. Quand ils repèrent quelque chose qui semble mal, ils peuvent enquêter plus en détail.
Le but ultime de l’équipe est de créer une ressource utile à d’autres scientifiques. Cela a également nécessité de réfléchir à la façon dont les données sont stockées et présentées. Plaza et ses collègues ont créé des programmes pour rendre le passage au crible de l’ensemble de données plus accessible. « Nous avons un très grand ensemble de données – c’est beaucoup à comprendre pour tout le monde », dit-il. » Disposer d’un outil qui vous permet de décomposer ces données en unités interprétables est essentiel. »Maintenant, les scientifiques intéressés par un neurone spécifique peuvent savoir à quoi il ressemble et à quelles cellules il se connecte – et quels autres neurones ont des qualités similaires et pourraient être liés.
Plaza et son équipe continueront d’affiner leur connectome et de publier des versions mises à jour. Les chercheurs intéressés par la façon dont les neurones de ces régions déjà cartographiées se connectent au reste du cerveau devront attendre quelques années pour que le connectome complet soit terminé. Mais les données actuelles révèlent déjà des idées et ouvrent de nouvelles questions.
Une grande question pour les scientifiques est maintenant « Comment analysez-vous le connectome et donnez-vous un sens à ce que vous voyez? » Dit Parekh. » Les données sont là. Qu’en faites-vous ? »
Pour Rubin, qui quittera son poste de directeur exécutif de Janelia plus tard ce mois-ci et retournera à temps plein dans son laboratoire Janelia, cette étape n’est qu’un début. « C’est satisfaisant de le voir réussir — c’est la réalisation scientifique dont je suis le plus fier depuis que je suis directeur, en partie parce qu’elle a nécessité des contributions complémentaires de tant de personnes talentueuses travaillant ensemble pendant plus d’une décennie », dit-il. « Mais personnellement, je suis intéressé à utiliser ces connaissances pour apprendre comment fonctionne le cerveau. »
Citation
C. Shan Xu et al. « Un Connectome du Cerveau central de la Drosophile adulte. » Publié le bioRxiv.org le 21 janvier 2020. doi: 10.1101 / 2020.01.21.911859
