Utilizando técnicas de aprendizaje automático, un equipo de investigación ha reconstruido una película corta de pequeños discos que se mueven aleatoriamente a partir de señales producidas por las neuronas de la retina de rata. Vicente Botella-Soler del Instituto de Ciencia y Tecnología de Austria y sus colegas presentan este trabajo en Biología Computacional PLOS .
Las neuronas de la retina de los mamíferos transforman los patrones de luz en señales eléctricas que se transmiten al cerebro. La reconstrucción de patrones de luz a partir de señales neuronales, un proceso conocido como decodificación, puede ayudar a revelar qué tipo de información llevan estas señales. Sin embargo, la mayoría de los esfuerzos de decodificación parahan utilizado estímulos simples y se han basado en un pequeño número menos de 50 de neuronas retinianas
En el nuevo estudio, Botella-Soler y sus colegas examinaron un pequeño parche de aproximadamente 100 neuronas extraídas de la retina de una rata. Registraron las señales eléctricas producidas por cada neurona en respuesta a películas cortas de pequeños discos que se movían en un complejo,patrón aleatorio. Los investigadores utilizaron varios métodos de regresión para comparar su capacidad para reconstruir una película un cuadro a la vez, píxel por píxel.
El equipo de investigación descubrió que un decodificador lineal matemáticamente simple producía una reconstrucción precisa de la película. Sin embargo, los métodos no lineales reconstruyeron la película con mayor precisión, y dos métodos no lineales muy diferentes, las redes neuronales y los decodificadores kernelizados, funcionaron igualmente bien.
A diferencia de los decodificadores lineales, los investigadores demostraron que los métodos no lineales eran sensibles a cada señal neuronal en el contexto de señales previas de la misma neurona. Los investigadores plantearon la hipótesis de que esta dependencia histórica permitió a los decodificadores no lineales ignorar las señales neuronales espontáneas que no corresponden aun estímulo real, mientras que un decodificador lineal podría "alucinar" los estímulos en respuesta a tal actividad neuronal generada espontáneamente.
Estos hallazgos podrían allanar el camino para mejorar los métodos de decodificación y comprender mejor qué hacen los diferentes tipos de neuronas de la retina y por qué son necesarias. Como siguiente paso, Botella-Soler y sus colegas investigarán qué tan bien se entrenaron los decodificadores en una nueva clase deLos estímulos sintéticos pueden generalizarse tanto a estímulos más simples como a estímulos naturalmente complejos.
"Espero que nuestro trabajo demuestre que con suficiente atención al diseño experimental y la exploración computacional, es posible abrir la caja de los métodos estadísticos y de aprendizaje automático modernos e interpretar realmente qué características de los datos dan lugar a su poder predictivo adicional,", dice el autor principal del estudio, Gasper Tkacik." Este es el camino no solo para informar un mejor rendimiento cuantitativo, sino también para extraer nuevos conocimientos e hipótesis comprobables sobre los sistemas biológicos ".
Fuente de la historia :
Materiales proporcionados por PLOS . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :