Depuis des décennies, la recherche sur le sommeil est prisonnière d’un seul goulot d’étranglement tenace : le scoreur de sommeil. Qu’il s’agisse d’étudier des souris, des poissons-zèbres ou des humains, chaque heure de données électrophysiologiques doit être classée manuellement en éveil, NREM et REM par un technicien humain formé, qui examine les lignes ondulées des tracés EEG et EMG. Deux experts qui scorent le même enregistrement sont en désaccord sur 15 à 20 % des épisodes. Reproduire un résultat publié dans un laboratoire différent, avec une espèce différente ou un dispositif d’enregistrement différent, et le pipeline de scoring doit généralement être reconstruit de zéro. Le résultat est un domaine où les données s’accumulent plus vite qu’elles ne peuvent être annotées, où les comparaisons entre études sont minées par la dérive méthodologique, et où la richesse de la biologie du sommeil est régulièrement réduite à trois catégories grossières, car les distinctions plus fines sont trop coûteuses à étiqueter.
Une prépublication déposée sur bioRxiv le 28 juillet 2026 propose une rupture nette avec ce schéma. Appelé Nyx, d’après la déesse primordiale grecque de la nuit, le framework est un système de scoring du sommeil non supervisé et explicable construit sur l’analyse en composantes principales. L’équipe qui le pilote, dirigée par Letizia Signorelli et Charlotte Boccara à l’Université d’Oslo, n’a pas cherché à construire un meilleur classificateur par-dessus les étiquettes manuelles habituelles. Elle a plutôt emprunté une stratégie à un coin complètement différent des neurosciences : le tri des potentiels d’action.
En électrophysiologie, les algorithmes de tri de potentiels d’action regroupent automatiquement les formes d’onde neurales brutes en unités uniques putatives, sans que personne n’ait à dire d’abord à l’algorithme à quoi ressemble un neurone. Nyx applique la même logique non supervisée au scoring du sommeil. Il prend les caractéristiques spectrales brutes d’un enregistrement, les réduit à leurs composantes principales et laisse les regroupements naturels émerger des données elles-mêmes. Le résultat est un ensemble d’états de sommeil définis par le signal, et non par un humain qui pré-assigne des épisodes à des catégories arbitraires. Cela évite le problème de circularité inhérent aux approches supervisées : si l’on entraîne un modèle sur des scores humains, le mieux que l’on puisse faire est de reproduire le scoring humain, y compris ses biais et ses angles morts. Nyx peut, en principe, trouver des structures que les scoreurs humains ont été formés à manquer.
La validation derrière cette affirmation est exceptionnellement large. L’équipe a testé Nyx sur environ 8 000 heures de données provenant de 19 jeux de données indépendants couvrant de multiples laboratoires, de multiples espèces, de multiples âges et de multiples modalités d’enregistrement. Sur ce corpus diversifié, l’algorithme a égalé l’accord inter-scoreurs humains, l’étalon-or de facto dans le domaine. C’est un point de référence sérieux : les experts humains ne sont pas parfaitement d’accord entre eux, donc exiger qu’un algorithme dépasse l’accord humain-humain revient à lui demander d’être meilleur que la mesure elle-même. Nyx se situe exactement dans la même fourchette, ce qui signifie qu’il score aussi fiablement qu’un technicien humain compétent, mais en quelques minutes plutôt qu’en semaines, et avec une reproductibilité parfaite.
Là où Nyx commence à se distinguer des outils existants, c’est dans ce qu’il peut voir que les humains et les classificateurs supervisés ne peuvent pas. Chez les rongeurs, l’algorithme peut résoudre des sous-stades du sommeil NREM qui correspondent à ce que la médecine du sommeil humaine appelle N2 et N3. Ces stades sont bien établis en polysomnographie humaine, mais ont été notoirement difficiles à définir automatiquement chez la souris et le rat, où les signatures électrophysiologiques sont moins stéréotypées. Nyx les trouve sans qu’on lui demande de les chercher. Cela importe pour la recherche fondamentale car N2 et N3 rempliraient des fonctions physiologiques différentes. N2 est associé aux fuseaux du sommeil et à la consolidation de la mémoire, N3 à l’activité à ondes lentes et à la clairance métabolique. Si les modèles rongeurs ne peuvent pas les distinguer, le pont translationnel entre le laboratoire et le lit du patient a un maillon manquant.
Le framework révèle également des états de sommeil qui transcendent la trichotomie standard éveil-NREM-REM, en particulier chez les espèces non mammifères. Les oiseaux, les reptiles et les poissons présentent des architectures du sommeil qui ne se calquent pas facilement sur les conventions de classification des mammifères. En laissant les données piloter le regroupement, Nyx peut identifier des états transcanoniques, des motifs d’activité neuronale qui partagent des caractéristiques avec plusieurs stades traditionnels ou qui ne rentrent dans aucune case existante. Cela ouvre la porte à une recherche comparative sur le sommeil qui ne soit pas forcée d’imposer des catégories mammifères à des cerveaux non mammifères.
Une fonctionnalité plus immédiatement pratique est que Nyx prend en charge la manipulation en temps réel et en boucle fermée. Comme l’algorithme ne nécessite ni annotation humaine ni réentraînement du modèle pour chaque nouvel enregistrement, il peut classer les épisodes à la volée. Les chercheurs peuvent déclencher une stimulation optogénétique, une administration pharmacologique ou des stimuli sensoriels à l’instant où l’animal entre dans un état de sommeil spécifique. Cette capacité nécessitait auparavant des systèmes matériels dédiés ou des règles de décision artisanales. Nyx en fait une fonctionnalité intégrée du pipeline de scoring.
Le framework est publié sous forme de package Python open source avec une interface graphique, ce qui abaisse la barrière technique à l’adoption. Un laboratoire qui n’a jamais écrit une ligne de code peut charger un fichier EEG, cliquer sur un bouton et obtenir des données de sommeil classées. Mais la philosophie de conception plus profonde, selon les auteurs, était que Nyx a été construit pour évoluer au rythme de l’innovation elle-même. Parce qu’il ne dépend pas d’un ensemble de données d’entraînement fixe, il peut s’adapter à de nouvelles configurations d’enregistrement, de nouvelles espèces, de nouveaux âges, et même à des architectures de sommeil pathologiques comme celles observées après une privation de sommeil ou dans les maladies neurologiques, sans devoir être réentraîné de zéro à chaque fois.
En résumé, le scoring du sommeil a été le limiteur silencieux d’une vaste partie des neurosciences. Chaque étude qui dépend du classement de centaines d’heures d’enregistrements, chaque comparaison inter-espèces, chaque expérience de développement longitudinale et chaque intervention de sommeil en boucle fermée doit négocier le même goulot d’étranglement. Nyx n’élimine pas le besoin d’expertise humaine dans la conception expérimentale ou l’interprétation, mais il élimine le besoin pour les humains de passer des milliers d’heures à tracer des lignes sur des tracés EEG. En proposant un scoring non supervisé du sommeil qui fonctionne à travers les espèces, les âges et les modalités d’enregistrement, et en le publiant comme un outil open source, l’équipe d’Oslo a offert au domaine une pièce d’infrastructure dont le domaine avait besoin depuis longtemps.
Source : Signorelli, L., Korchynska, S., Ortiz, C., Arena, A., Wilhelm, S., & Boccara, C. (2026). Nyx: An unsupervised framework for sleep scoring across species, ages, and recording modalities. bioRxiv. DOI : 10.64898/2026.07.24.740558. Financé par le Conseil européen de la recherche (ERC) dans le cadre de la subvention 101117770 et par le Conseil de la recherche de Norvège dans le cadre des subventions 288478, 105428102, 332004, 187615/V40. Les auteurs déclarent n’avoir aucun intérêt concurrent.
Traduit par Lydie