los neurocientíficos del MIT han realizado las pruebas más rigurosas hasta la fecha de los modelos computacionales que imitan la corteza visual del cerebro.
Utilizando su mejor modelo actual de la red neuronal visual del cerebro, los investigadores diseñaron una nueva forma de controlar con precisión las neuronas individuales y las poblaciones de neuronas en el medio de esa red. En un estudio en animales, el equipo mostró que la información obtenida deel modelo computacional les permitió crear imágenes que activaron fuertemente neuronas cerebrales específicas de su elección.
Los resultados sugieren que las versiones actuales de estos modelos son lo suficientemente similares al cerebro que podrían usarse para controlar los estados cerebrales en animales. El estudio también ayuda a establecer la utilidad de estos modelos de visión, que han generado un debate vigoroso sobre siimitan con precisión cómo funciona la corteza visual, dice James DiCarlo, jefe del Departamento de Ciencias del Cerebro y Cognitivas del MIT, investigador en el Instituto McGovern para la Investigación del Cerebro y el Centro de Cerebros, Mentes y Máquinas, y el autor principal delestudiar.
"La gente se ha preguntado si estos modelos proporcionan una comprensión del sistema visual", dice. "En lugar de debatir que en un sentido académico, demostramos que estos modelos ya son lo suficientemente potentes como para permitir una nueva aplicación importante. Ya sea que comprenda cómoel modelo funciona o no, ya es útil en ese sentido "
Los postdocs del MIT Pouya Bashivan y Kohitij Kar son los autores principales del artículo, que aparece en la edición en línea del 2 de mayo de ciencia .
control neuronal
En los últimos años, DiCarlo y otros han desarrollado modelos del sistema visual basados en redes neuronales artificiales. Cada red comienza con una arquitectura arbitraria que consiste en neuronas o nodos modelo, que pueden conectarse entre sí con diferentes fuerzas, también llamados pesas.
Los investigadores luego entrenan a los modelos en una biblioteca de más de 1 millón de imágenes. A medida que los investigadores muestran el modelo de cada imagen, junto con una etiqueta para el objeto más destacado de la imagen, como un avión o una silla, el modeloaprende a reconocer objetos cambiando las fortalezas de sus conexiones.
Es difícil determinar exactamente cómo el modelo logra este tipo de reconocimiento, pero DiCarlo y sus colegas han demostrado previamente que las "neuronas" dentro de estos modelos producen patrones de actividad muy similares a los observados en la corteza visual animal en respuesta a la mismaimágenes.
En el nuevo estudio, los investigadores querían probar si sus modelos podían realizar algunas tareas que previamente no se habían demostrado. En particular, querían ver si los modelos podían usarse para controlar la actividad neuronal en la corteza visual de los animales.
"Hasta ahora, lo que se ha hecho con estos modelos es predecir cuáles serían las respuestas neuronales a otros estímulos que no habían visto antes", dice Bashivan. "La principal diferencia aquí es que vamos un paso más allá y usamoslos modelos para conducir las neuronas a los estados deseados "
Para lograr esto, los investigadores primero crearon un mapa uno a uno de las neuronas en el área visual del cerebro V4 a los nodos en el modelo computacional. Lo hicieron mostrando imágenes a animales y a los modelos, y comparando sus respuestas alas mismas imágenes. Hay millones de neuronas en el área V4, pero para este estudio, los investigadores crearon mapas para subpoblaciones de cinco a 40 neuronas a la vez.
"Una vez que cada neurona tiene una asignación, el modelo le permite hacer predicciones sobre esa neurona", dice DiCarlo.
Los investigadores se dispusieron a ver si podían usar esas predicciones para controlar la actividad de las neuronas individuales en la corteza visual. El primer tipo de control, al que llamaron "estiramiento", implica mostrar una imagen que impulse la actividad deuna neurona específica que va mucho más allá de la actividad, generalmente producida por imágenes "naturales" similares a las utilizadas para entrenar las redes neuronales.
Los investigadores encontraron que cuando mostraban a los animales estas imágenes "sintéticas", creadas por los modelos y que no se asemejan a objetos naturales, las neuronas objetivo respondieron como se esperaba. En promedio, las neuronas mostraron un 40 por ciento más de actividad en respuestaa estas imágenes que cuando se mostraban imágenes naturales como las que se usaron para entrenar al modelo. Este tipo de control nunca se ha informado antes.
En un conjunto similar de experimentos, los investigadores intentaron generar imágenes que impulsaran una neurona al máximo y al mismo tiempo mantuvieran la actividad en las neuronas cercanas muy baja, una tarea más difícil. Para la mayoría de las neuronas que probaron, los investigadores pudieronMejorar la actividad de la neurona objetivo con un pequeño aumento en las neuronas circundantes.
"Una tendencia común en la neurociencia es que la recopilación de datos experimentales y el modelado computacional se ejecutan de forma algo independiente, lo que resulta en muy poca validación del modelo y, por lo tanto, no hay progreso medible. Nuestros esfuerzos devuelven a la vida este enfoque de 'circuito cerrado', involucrando predicciones del modeloy mediciones neuronales que son críticas para el éxito de construir y probar modelos que se parezcan más al cerebro ", dice Kar.
precisión de medición
Los investigadores también demostraron que podían usar el modelo para predecir cómo las neuronas del área V4 responderían a las imágenes sintéticas. La mayoría de las pruebas anteriores de estos modelos han usado el mismo tipo de imágenes naturalistas que se usaron para entrenar el modelo. El equipo del MITdescubrieron que los modelos tenían un 54 por ciento de precisión al predecir cómo respondería el cerebro a las imágenes sintéticas, en comparación con casi el 90 por ciento de precisión cuando se usan las imágenes naturales.
"En cierto sentido, estamos cuantificando cuán precisos son estos modelos para hacer predicciones fuera del dominio donde fueron entrenados", dice Bashivan. "Idealmente, el modelo debería ser capaz de predecir con precisión sin importar la entrada".
Los investigadores ahora esperan mejorar la precisión de los modelos permitiéndoles incorporar la nueva información que aprenden al ver las imágenes sintéticas, lo que no se hizo en este estudio.
Este tipo de control podría ser útil para los neurocientíficos que desean estudiar cómo interactúan las diferentes neuronas entre sí y cómo podrían conectarse, dicen los investigadores. Más adelante en el futuro, este enfoque podría ser útil para tratar trastornos del estado de ánimo comocomo depresión. Los investigadores ahora están trabajando en extender su modelo a la corteza inferotemporal, que alimenta la amígdala, que está involucrada en el procesamiento de las emociones.
"Si tuviéramos un buen modelo de las neuronas que están involucradas en experimentar emociones o causar varios tipos de trastornos, entonces podríamos usar ese modelo para conducir las neuronas de una manera que ayudaría a mejorar esos trastornos", dice Bashivan.
La investigación fue financiada por la Agencia de Proyectos de Investigación Avanzada de Inteligencia, el MIT-IBM Watson AI Lab, el Instituto Nacional del Ojo y la Oficina de Investigación Naval.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Anne Trafton. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :