L'idée selon laquelle l'unité fondamentale du calcul cortical ne serait pas le neurone isolé, mais la population neuronale, gagne du terrain à mesure que les techniques d'enregistrement permettent de capter l'activité de groupes de cellules toujours plus vastes. Les réseaux d'électrodes implantés de façon chronique offrent la possibilité de suivre cette activité sur plusieurs semaines, voire plusieurs mois — un prérequis pour étudier les mécanismes d'apprentissage à long terme. Cependant, l'exploitation de ces données se heurte à deux difficultés : leur haute dimensionnalité, d'une part, et la dérive du signal au fil du temps, d'autre part, qu'elle résulte d'un déplacement ou d'une dégradation des électrodes ou bien d'une plasticité induite par la tâche. Les modèles de Markov cachés (HMM) constituent un outil prometteur pour décrire cette activité en termes d'états latents discrets, mais les approches antérieures ne tenaient pas compte des propriétés statistiques particulières des données de décharge neuronale, ne s'adaptaient pas aux données longitudinales et ne modélisaient pas les différences propres à chaque condition.
Pour lever ces limites, les auteurs proposent un HMM bayésien multiniveaux reposant sur trois innovations : des distributions d'émission de type Poisson log-normales multivariées, une estimation des paramètres à plusieurs niveaux et l'introduction de covariables de condition spécifiques à chaque essai. Ce cadre a été appliqué à des données de décharge multi-unitaires enregistrées dans le cortex moteur primaire de macaques effectuant une tâche guidée d'atteinte, de préhension et de dépose d'un objet. Le modèle a été entraîné uniquement à partir des trains de décharge, sans aucune information sur la temporalité des événements comportementaux.
En dépit de cet apprentissage « à l'aveugle », le modèle identifie des états de population étroitement liés aux événements comportementaux : déclenchement du mouvement, contact avec l'objet et dépose. Les statistiques de ces états correspondent par ailleurs aux durées des intervalles entre événements. Chez les deux animaux, un premier état traduit une phase statique de faible activité, tandis qu'un état ultérieur coïncide avec l'initiation du mouvement ; d'autres états se rattachent aux phases d'atteinte et de dépose. La comparaison de modèles retient six états pour un singe et cinq pour l'autre, une différence que les auteurs relient à des mouvements plus balistiques et à un nombre d'essais plus restreint chez le second animal. Surtout, l'association entre états et comportements demeure cohérente sur plusieurs jours d'enregistrement, cohérence qu'un HMM à un seul niveau ne parvient pas à reproduire d'une session à l'autre.
Les auteurs soulignent plusieurs limites, notamment les hypothèses propres aux HMM (un seul état actif à la fois, dépendance au seul état courant), le recours à l'activité multi-unitaire plutôt qu'unitaire et une légère sous-estimation de la proportion de décharges nulles. Démontrée ici sur une tâche déjà apprise, cette approche se prête particulièrement, selon eux, à l'étude de la plasticité des populations neuronales sur le long terme dans le contexte de l'apprentissage moteur.