A) Questo è un input ideale per la mosca della frutta B) Visualizzazione tradizionale C) Visualizzazione aggiornata. Credito:Schneider et al.
Nonostante la semplicità del loro sistema visivo, i moscerini della frutta sono in grado di distinguere in modo affidabile tra gli individui basandosi solo sulla vista. Questo è un compito che anche gli umani che trascorrono tutta la vita a studiare Drosophila melanogaster lottare con. I ricercatori hanno ora costruito una rete neurale che imita il sistema visivo del moscerino della frutta e può distinguere e identificare nuovamente le mosche. Ciò potrebbe consentire alle migliaia di laboratori in tutto il mondo che utilizzano i moscerini della frutta come organismo modello di svolgere un lavoro più longitudinale, osservando come le singole mosche cambiano nel tempo. Fornisce anche la prova che la visione dell'umile moscerino della frutta è più chiara di quanto si pensasse in precedenza.
In un progetto interdisciplinare, ricercatori della Guelph University e dell'Università di Toronto, Mississauga ha combinato l'esperienza nella biologia dei moscerini della frutta con l'apprendimento automatico per costruire un algoritmo a base biologica che passa attraverso video a bassa risoluzione di moscerini della frutta al fine di verificare se è fisicamente possibile per un sistema con tali vincoli svolgere un compito così difficile.
I moscerini della frutta hanno piccoli occhi composti che assorbono una quantità limitata di informazioni visive, una stima di 29 unità al quadrato (Fig. 1A). La visione tradizionale è che una volta che l'immagine viene elaborata da un moscerino della frutta, è in grado di distinguere solo caratteristiche molto ampie (Fig. 1B). Ma una recente scoperta che i moscerini della frutta possono aumentare la loro risoluzione effettiva con sottili trucchi biologici (Fig. 1C) ha portato i ricercatori a credere che la visione possa contribuire in modo significativo alla vita sociale delle mosche. Questo, combinato con la scoperta che la struttura del loro sistema visivo assomiglia molto a una Deep Convolutional Network (DCN), ha portato il team a chiedere:"possiamo modellare un cervello di mosca in grado di identificare gli individui?"
Il loro programma per computer ha lo stesso input teorico e capacità di elaborazione di un moscerino della frutta ed è stato addestrato sul video di una mosca per due giorni. È stato quindi in grado di identificare in modo affidabile la stessa mosca il terzo giorno con un punteggio F1 (una misura che combina precisione e richiamo) di 0,75. Impressionante, questo è solo leggermente peggiore dei punteggi di 0,85 e 0,83 per algoritmi senza i vincoli della biologia del cervello volante. Per confronto, quando gli viene dato il compito più semplice di abbinare la "foto segnaletica" di una mosca a un campo di altre 20, biologi esperti di mosche umane hanno ottenuto solo un punteggio di 0,08. La possibilità casuale segnerebbe 0,05.
A) Algoritmo di apprendimento automatico della moderna rete convolutiva profonda B) Algoritmo di apprendimento automatico basato sulla biologia della mosca C) Connessioni nel sistema visivo del moscerino della frutta. Credito:Schneider et al
Secondo Jon Schneider, il primo autore dell'articolo pubblicato in PLOS UNO questa settimana, questo studio indica "la possibilità allettante che invece di essere semplicemente in grado di riconoscere ampie categorie, i moscerini della frutta sono in grado di distinguere gli individui. Quindi quando uno atterra accanto a un altro, è "Ciao Bob, Ehi Alice"".
Graham Taylor, uno specialista di machine learning e CIFAR Azrieli Global Scholar nel programma Learning in Machines and Brains, era eccitato dalla prospettiva di battere gli umani in un compito visivo. "Molte applicazioni della rete neurale profonda cercano di replicare e automatizzare le abilità umane come il riconoscimento facciale, elaborazione del linguaggio naturale, o identificazione della canzone. Ma raramente vanno oltre la capacità umana. Quindi è eccitante trovare un problema in cui gli algoritmi possono superare gli umani".
Gli esperimenti hanno avuto luogo nel laboratorio dell'Università di Toronto Mississauga di Joel Levine, membro anziano del programma CIFAR Child &Brain Development. Ha grandi speranze per il futuro di ricerche come questa. "L'approccio di associazione dei modelli di apprendimento profondo con il sistema nervoso è incredibilmente ricco. Può parlarci dei modelli, su come i neuroni comunicano tra loro, e può parlarci dell'intero animale. È un po' strabiliante. Ed è un territorio inesplorato".
Schneider ha riassunto com'è stato lavorare tra le discipline:"Progetti come questo sono un'arena perfetta per neurobiologi e ricercatori di apprendimento automatico per lavorare insieme per scoprire i fondamenti di come qualsiasi sistema, biologico o meno, apprende ed elabora le informazioni".
