Ondanks de eenvoud van hun visuele systeem, fruitvliegen zijn in staat om op betrouwbare wijze onderscheid te maken tussen individuen op basis van alleen zicht. Dit is een taak die zelfs mensen die hun hele leven studeren Drosophila melanogaster moeite hebben met. Onderzoekers hebben nu een neuraal netwerk gebouwd dat het visuele systeem van de fruitvlieg nabootst en vliegen kan onderscheiden en opnieuw identificeren. Hierdoor kunnen de duizenden laboratoria wereldwijd die fruitvliegen als modelorganisme gebruiken, meer longitudinaal werk doen, kijken hoe individuele vliegen in de loop van de tijd veranderen. Het levert ook bewijs dat de visie van de nederige fruitvlieg duidelijker is dan eerder werd gedacht.

In een interdisciplinair project onderzoekers van de Guelph University en de University of Toronto, Mississauga combineerde expertise in fruitvliegbiologie met machine learning om een ​​biologisch gebaseerd algoritme te bouwen dat door lage resolutie video's van fruitvliegen karnt om te testen of het fysiek mogelijk is voor een systeem met dergelijke beperkingen om zo'n moeilijke taak te volbrengen.

Fruitvliegen hebben kleine samengestelde ogen die een beperkte hoeveelheid visuele informatie opnemen, naar schatting 29 eenheden in het kwadraat (Fig. 1A). De traditionele opvatting was dat als het beeld eenmaal is verwerkt door een fruitvlieg, het is alleen in staat om zeer brede kenmerken te onderscheiden (figuur 1B). Maar een recente ontdekking dat fruitvliegen hun effectieve resolutie kunnen verhogen met subtiele biologische trucs (Fig. 1C) heeft onderzoekers ertoe gebracht te geloven dat visie aanzienlijk zou kunnen bijdragen aan het sociale leven van vliegen. Dit, gecombineerd met de ontdekking dat de structuur van hun visuele systeem veel lijkt op een Deep Convolutional Network (DCN), leidde het team tot de vraag:"kunnen we een vliegenbrein modelleren dat individuen kan identificeren?"

Hun computerprogramma heeft dezelfde theoretische invoer- en verwerkingscapaciteit als een fruitvlieg en werd gedurende twee dagen getraind op video van een vlieg. Vervolgens kon het dezelfde vlieg op de derde dag betrouwbaar identificeren met een F1-score (een maat die precisie en recall combineert) van 0,75. Indrukwekkend, dit is slechts iets slechter dan scores van 0,85 en 0,83 voor algoritmen zonder de beperkingen van fly-brain-biologie. Ter vergelijking, wanneer ze de gemakkelijkere taak krijgen om de 'mugshot' van een vlieg te matchen met een veld van 20 andere, ervaren menselijke vliegbiologen haalden slechts een score van 0,08. Willekeurige kans zou 0,05 scoren.

Volgens Jon Schneider, de eerste auteur van het artikel dat wordt gepubliceerd in PLOS EEN deze week, deze studie wijst op "de verleidelijke mogelijkheid dat in plaats van alleen brede categorieën te kunnen herkennen, fruitvliegjes kunnen individuen onderscheiden. Dus als de een naast de ander landt, het is "Hoi Bob, Hey Alice"".

Graham Taylor, een machine learning specialist en CIFAR Azrieli Global Scholar in het Learning in Machines and Brains programma, was opgewonden door het vooruitzicht van het verslaan van mensen bij een visuele taak. "Veel Deep Neural Network-applicaties proberen menselijke vaardigheden zoals gezichtsherkenning, natuurlijke taalverwerking, of nummer identificatie. Maar zelden gaan ze de menselijke capaciteit te boven. Het is dus spannend om een ​​probleem te vinden waarbij algoritmen beter kunnen presteren dan mensen."

De experimenten vonden plaats in het Mississauga-lab van de Universiteit van Toronto van Joel Levine, een senior fellow in het CIFAR Child &Brain Development-programma. Hij heeft hoge verwachtingen van de toekomst van dit soort onderzoek. "De aanpak om deep learning-modellen te koppelen aan zenuwstelsels is ongelooflijk rijk. Het kan ons iets vertellen over de modellen, over hoe neuronen met elkaar communiceren, en het kan ons iets over het hele dier vertellen. Dat is een soort van geestverruimend. En het is onontgonnen terrein."

Schneider vatte samen hoe het was om tussen disciplines te werken:"Projecten als deze zijn een perfecte arena voor neurobiologen en onderzoekers op het gebied van machine learning om samen te werken om de fundamenten bloot te leggen van hoe elk systeem - biologisch of anderszins - informatie leert en verwerkt."