A pesar de la simplicidad de su sistema visual, las moscas de la fruta son capaces de distinguir de forma fiable entre individuos basándose únicamente en la vista. Esta es una tarea que incluso los humanos que pasan toda su vida estudiando Drosophila melanogaster luchar con. Los investigadores ahora han construido una red neuronal que imita el sistema visual de la mosca de la fruta y puede distinguir y volver a identificar las moscas. Esto puede permitir que los miles de laboratorios de todo el mundo que utilizan moscas de la fruta como organismo modelo realicen un trabajo más longitudinal. observar cómo cambian las moscas individuales con el tiempo. También proporciona evidencia de que la visión de la humilde mosca de la fruta es más clara de lo que se pensaba.

En un proyecto interdisciplinario, investigadores de la Universidad Guelph y la Universidad de Toronto, Mississauga combinó la experiencia en biología de la mosca de la fruta con el aprendizaje automático para construir un algoritmo de base biológica que procesa videos de baja resolución de moscas de la fruta para probar si es físicamente posible que un sistema con tales limitaciones logre una tarea tan difícil.

Las moscas de la fruta tienen pequeños ojos compuestos que captan una cantidad limitada de información visual. un estimado de 29 unidades al cuadrado (Fig. 1A). La visión tradicional ha sido que una vez que la imagen es procesada por una mosca de la fruta, solo es capaz de distinguir características muy amplias (Fig. 1B). Pero un descubrimiento reciente de que las moscas de la fruta pueden aumentar su resolución efectiva con sutiles trucos biológicos (Fig. 1C) ha llevado a los investigadores a creer que la visión podría contribuir significativamente a la vida social de las moscas. Esta, combinado con el descubrimiento de que la estructura de su sistema visual se parece mucho a una Red Convolucional Profunda (DCN), llevó al equipo a preguntarse:"¿podemos modelar un cerebro de mosca que pueda identificar a los individuos?"

Su programa de computadora tiene la misma capacidad de procesamiento y entrada teórica que una mosca de la fruta y fue entrenado en video de una mosca durante dos días. Luego pudo identificar de manera confiable la misma mosca al tercer día con una puntuación F1 (una medida que combina precisión y recuerdo) de 0,75. Impresionantemente esto es solo un poco peor que las puntuaciones de 0,85 y 0,83 para los algoritmos sin las limitaciones de la biología del cerebro de la mosca. Para comparacion, cuando se le da la tarea más fácil de hacer coincidir la 'foto policial' de una mosca con un campo de otras 20, biólogos de moscas humanas con experiencia solo lograron una puntuación de 0.08. La probabilidad aleatoria puntuaría 0.05.

Según Jon Schneider, el primer autor del artículo que se publica en MÁS UNO esta semana, este estudio apunta a "la tentadora posibilidad de que, en lugar de solo poder reconocer categorías amplias, las moscas de la fruta pueden distinguir a los individuos. Entonces, cuando uno aterriza junto a otro, es "Hola Bob, Hola Alice "".

Graham Taylor, un especialista en aprendizaje automático y CIFAR Azrieli Global Scholar en el programa Learning in Machines and Brains, estaba emocionado por la perspectiva de vencer a los humanos en una tarea visual. "Muchas aplicaciones de redes neuronales profundas intentan replicar y automatizar habilidades humanas como el reconocimiento facial, procesamiento natural del lenguaje, o identificación de canciones. Pero rara vez van más allá de la capacidad humana. Así que es emocionante encontrar un problema en el que los algoritmos pueden superar a los humanos ".

Los experimentos tuvieron lugar en el laboratorio de Joel Levine de la Universidad de Toronto Mississauga, miembro senior del programa CIFAR Child &Brain Development. Tiene grandes esperanzas en el futuro de investigaciones como esta. "El enfoque de emparejar modelos de aprendizaje profundo con sistemas nerviosos es increíblemente rico. Puede informarnos sobre los modelos, sobre cómo las neuronas se comunican entre sí, y nos puede hablar de todo el animal. Eso es algo alucinante. Y es un territorio inexplorado ".

Schneider resumió lo que era trabajar entre disciplinas:"Proyectos como este son un escenario perfecto para que los neurobiólogos y los investigadores de aprendizaje automático trabajen juntos para descubrir los fundamentos de cómo cualquier sistema, biológico o de otro tipo, aprende y procesa información".