La caractérisation des propriétés cellulaires des neurones constitue un élément fondamental pour comprendre leur fonction dans le cerveau. À cet égard, la construction de modèles bio-réalistes joue un rôle central dans l’intégration de jeux de données cellulaires multimodaux et dans l’établissement de relations causales. Toutefois, les approches actuelles de modélisation sont encore limitées par la disponibilité restreinte et la variabilité intrinsèque des données expérimentales neuronales. Le formalisme déterministe des modèles bio-réalistes empêche actuellement de prendre en compte la variabilité naturelle observée expérimentalement. Bien que l’apprentissage profond gagne en pertinence dans ce domaine, il échoue à capturer la complexité biophysique complète des neurones, ainsi que leurs dynamiques non linéaires de potentiel et leur variabilité. Pour pallier ces limites, nous introduisons NOBLE, un cadre basé sur les opérateurs neuronaux qui apprend une application à partir d’un embedding continu modulé en fréquence de caractéristiques neuronales interprétables vers la réponse du potentiel somatique induite par injection de courant. Entraîné sur des données synthétiques générées à partir de modèles neuronaux bio-réalistes, NOBLE permet de prédire des distributions de dynamiques neuronales tout en intégrant la variabilité expérimentale intrinsèque. Contrairement aux modèles classiques de neurones bio-réalistes, l’interpolation dans l’espace d’embedding produit des modèles dont les dynamiques sont cohérentes avec les réponses observées expérimentalement. NOBLE permet ainsi une génération efficace de neurones synthétiques qui ressemblent étroitement aux données expérimentales et présentent une variabilité entre essais, offrant un gain de vitesse de 4200 fois par rapport aux solveurs numériques. NOBLE est le premier cadre d’apprentissage profond à grande échelle à valider sa généralisation à l’aide de données expérimentales réelles. À cet effet, NOBLE capture de manière unique et émergente des propriétés fondamentales des neurones, ouvrant ainsi la voie à une meilleure compréhension de la composition cellulaire et des processus computationnels, des architectures neuromorphiques, des circuits cérébraux à grande échelle, ainsi que des applications générales en neuroIA.