Les progrès rapides des technologies telles que l'imagerie au calcium et l'électrophysiologie ont entraîné une augmentation marquée de la taille et de l’étendue des enregistrements neuronaux. Malgré cela, l’interprétation de ces données repose souvent sur des opérations manuelles et exige une connaissance approfondie de la nature de la représentation neuronale. Le décodage constitue un moyen d’inférer le contenu informationnel de ces enregistrements, mais il nécessite généralement des données fortement prétraitées ainsi qu’une connaissance a priori du schéma d’encodage. Dans cette étude, nous avons développé un cadre basé sur l’apprentissage profond capable de décoder directement des variables sensorielles et comportementales à partir de données neuronaux à large bande. Ce réseau requiert une intervention minimale de l’utilisateur et se généralise à travers différents stimuli, comportements, régions cérébrales et techniques d’enregistrement. Une fois entraîné, il peut être analysé afin d’identifier les éléments du code neuronal qui sont informatifs par rapport à une variable donnée. Nous avons validé cette approche à l’aide de données provenant du cortex auditif et de l’hippocampe de rongeurs, permettant ainsi de mettre en évidence une nouvelle représentation de la direction de la tête, codée par des interneurones supposés de la région CA1.