Prevedere la visione di un topo decodificando i segnali cerebrali

- EN- DE- FR- IT
2023 EPFL / Ella Marushchenko. L’attività neuronale di Gehirns è molto dif
2023 EPFL / Ella Marushchenko. L’attività neuronale di Gehirns è molto diffusa in sistemi complessi e non lineari, come può esserlo solo l’oberfläche di Eisbergen.
Un gruppo di ricerca dell’EPFL ha sviluppato un nuovo algoritmo di apprendimento automatico in grado di rivelare la struttura nascosta dei dati registrati dal cervello, prevedendo informazioni complesse come quelle che vedono i topi.

È possibile ricostruire ciò che vediamo dai segnali cerebrali? La risposta è no, non ancora. Tuttavia, i ricercatori dell’EPFL hanno fatto un passo avanti in questa direzione introducendo un nuovo algoritmo per creare modelli di reti neurali artificiali che catturano le dinamiche cerebrali con una precisione impressionante.

Questo nuovo algoritmo matematico di apprendimento automatico, chiamato CEBRA (pronunciato zebra), apprende la struttura nascosta del codice neurale.

Per apprendere la struttura latente, o nascosta, del sistema visivo dei topi, CEBRA è in grado di prevedere le immagini di nuovi film direttamente dai soli segnali cerebrali, dopo un periodo iniziale di apprendimento di corrispondenza tra i segnali cerebrali e le caratteristiche dei film.

Le informazioni che CEBRA apprende dai dati neurali grezzi possono essere testate dopo l’apprendimento della decodifica - un metodo utilizzato per le interfacce cervello-macchina (BMI) - e ha dimostrato di poter decodificare dal modello ciò che un topo vede quando guarda un film. Ma CEBRA non si limita ai neuroni della corteccia visiva o ai dati cerebrali. Lo studio rivela anche che è in grado di prevedere i movimenti delle braccia nei primati e di riprodurre le posizioni dei topi quando corrono liberamente in un’arena. Lo studio è stato pubblicato sulla rivista Nature.

"Questo lavoro è solo un passo avanti verso gli algoritmi basati sulla teoria che sono necessari nelle neurotecnologie per consentire MCI ad alte prestazioni", afferma Mackenzie Mathis, responsabile della cattedra Bertarelli di Neuroscienze Integrative all’EPFL e ricercatore principale dello studio.

I dati utilizzati per la decodifica video sono stati messi a disposizione gratuitamente dall’Allen Institute di Seattle. I segnali cerebrali sono ottenuti direttamente misurando l’attività cerebrale attraverso sonde ad elettrodi inserite nell’area della corteccia visiva del cervello del topo, oppure utilizzando sonde ottiche che coinvolgono topi geneticamente modificati, progettati in modo che i neuroni attivati si illuminino di verde. Durante il periodo di addestramento, CEBRA impara ad abbinare l’attività cerebrale a immagini specifiche. CEBRA funziona bene con meno dell’1% dei neuroni della corteccia visiva, considerando che nei topi quest’area cerebrale è composta da circa 0,5 milioni di neuroni.

"Nello specifico, CEBRA si basa sull’apprendimento per contrasto, una tecnica che impara a disporre, o integrare, i dati ad alta densità in uno spazio a bassa densità chiamato spazio latente, in modo che i punti di dati simili siano vicini e i punti di dati diversi siano lontani", spiega Mackenzie Mathis, "Questa integrazione può essere usata per dedurre relazioni e strutture nascoste nei dati. Permette ai ricercatori di considerare insieme i dati neurali e le etichette comportamentali, compresi i movimenti misurati, le etichette astratte come ’ricompensa’ o le caratteristiche sensoriali come i colori o le texture delle immagini".

"CEBRA eccelle rispetto ad altri algoritmi nella ricostruzione di dati sintetici, che è essenziale per confrontare gli algoritmi", afferma Steffen Schneider, coautore del lavoro. "I suoi punti di forza risiedono anche nella capacità di combinare i dati tra diverse modalità, come i tratti dei film e i dati cerebrali. CEBRA permette di limitare le sfumature, come le modifiche ai dati che dipendono dal modo in cui sono stati raccolti".

"L’obiettivo di CEBRA è quello di rivelare la struttura dei sistemi complessi. E poiché il cervello è la struttura più complessa del nostro universo, è lo spazio di prova definitivo per CEBRA. Può anche dirci come il cervello elabora le informazioni e potrebbe essere una piattaforma per scoprire nuovi principi nelle neuroscienze combinando i dati di animali e persino di specie", afferma Mackenzie Mathis, "Questo algoritmo non è limitato alla ricerca sulle neuroscienze, poiché può essere applicato a molti set di dati che coinvolgono informazioni temporali o congiunte, compresi i dati sul comportamento animale e sull’espressione genica. Le potenziali applicazioni cliniche sono quindi interessanti".

Riferimenti

https://news.epfl.ch/news/e­ngineering­-molecular­-interacti­ons-with-m­achine-le/

https://actu.epfl.ch/news/d­eeplabcut-­live-real-­time-marke­r-less-mot­ion-captu/