Noticias

En un nuevo estudio, los investigadores crearon un modelo de IA de la corteza visual del ratón que predice respuestas neuronales a imágenes visuales. Por mucho que un piloto pueda practicar maniobras en un simulador de vuelo, los científicos pronto podrán realizar experimentos en una simulación realista del cerebro del ratón. En un nuevo estudio, los investigadores y colaboradores de Stanford Medicine utilizaron un modelo de inteligencia artificial para construir una “” gemela digital de la parte del cerebro del ratón que procesa la información visual. El gemelo digital fue entrenado en grandes conjuntos de datos de actividad cerebral recolectados de la corteza visual de ratones reales mientras veían clips de películas. Luego podría predecir la respuesta de decenas de miles de neuronas a nuevos videos e imágenes. Los gemelos digitales podrían hacer que estudiar el funcionamiento interno del cerebro sea más fácil y eficiente. “Si construyes un modelo del cerebro y es muy preciso, eso significa que puedes hacer muchos más experimentos,” dijo Andreas Tolias, PhD, profesor de oftalmología de Stanford Medicine y autor principal del estudio publicado el 9 de abril en Nature. “Los más prometedores que puedes probar en el cerebro real.” El autor principal del estudio es Eric Wang, PhD, un estudiante de medicina en el Baylor College of Medicine. Más allá de la distribución de la formación A diferencia de los modelos anteriores de IA de la corteza visual, que podrían simular la respuesta de los cerebros solo al tipo de estímulos que vieron en los datos de entrenamiento, el nuevo modelo puede predecir la respuesta de los cerebros a una amplia gama de nuevas entradas visuales. Incluso puede suponer características anatómicas de cada neurona. Eventualmente, creo que será posible construir gemelos digitales de al menos partes del cerebro humano.” El nuevo modelo es un ejemplo de un modelo de base, una clase relativamente nueva de modelos de IA capaces de aprender de grandes conjuntos de datos, luego aplicar ese conocimiento a nuevas tareas y nuevos tipos de datos – o lo que los investigadores llaman “generalizando fuera de la distribución de entrenamiento (ChatGPT es un ejemplo familiar de un modelo de base que puede aprender de grandes cantidades de texto para luego entender y generar nuevo texto) “En muchos sentidos, la semilla de la inteligencia es la capacidad de generalizar de manera sólida,” dijo Tolias. “El objetivo final – el santo grial – es generalizar a escenarios fuera de su distribución de entrenamiento.” Películas de ratón Para entrenar el nuevo modelo de IA, los investigadores primero registraron la actividad cerebral de ratones reales mientras veían películas – películas hechas para personas. Las películas idealmente se aproximarían a lo que los ratones podrían ver en entornos naturales. “Es muy difícil probar una película realista para ratones, porque nadie hace películas de Hollywood para ratones,” dijo Tolias. Pero las películas de acción se acercaron lo suficiente. Los ratones tienen visión de baja resolución – similar a nuestra visión periférica –, lo que significa que principalmente ven movimiento en lugar de detalles o color. “A los ratones les gusta el movimiento, que activa fuertemente su sistema visual, por lo que les mostramos películas que tienen mucha acción,” dijo Tolias. Durante muchas sesiones de visualización cortas, los investigadores registraron más de 900 minutos de actividad cerebral de ocho ratones viendo clips de películas llenas de acción, como Mad Max. Las cámaras monitorearon sus movimientos y comportamiento oculares. Los investigadores utilizaron los datos agregados para entrenar un modelo central, que luego podría personalizarse en un gemelo digital de cualquier ratón individual con un poco de capacitación adicional. Predicciones precisas Estos gemelos digitales pudieron simular de cerca la actividad neuronal de sus contrapartes biológicas en respuesta a una variedad de nuevos estímulos visuales, incluidos videos e imágenes estáticas. La gran cantidad de datos agregados de entrenamiento fue clave para el éxito de los gemelos digitales’, dijo Tolias. “Fueron impresionantemente precisos porque fueron entrenados en conjuntos de datos tan grandes.” Aunque entrenados solo en actividad neuronal, los nuevos modelos podrían generalizarse a otros tipos de datos. El gemelo digital de un ratón en particular fue capaz de predecir las ubicaciones anatómicas y el tipo de célula de miles de neuronas en la corteza visual, así como las conexiones entre estas neuronas. Los investigadores verificaron estas predicciones contra las imágenes de microscopio electrónico de alta resolución de la corteza visual de ese ratón, que era parte de un proyecto más grande para mapear la estructura y función de la corteza visual del ratón con un detalle sin precedentes. Los resultados de ese proyecto, conocido como MICRONES, fue publicado simultáneamente en Naturaleza. Abriendo la caja negra Debido a que un gemelo digital puede funcionar mucho más allá de la vida útil de un ratón, los científicos podrían realizar un número virtualmente ilimitado de experimentos en esencialmente el mismo animal. Los experimentos que tomarían años podrían completarse en horas, y millones de experimentos podrían ejecutarse simultáneamente, acelerando la investigación sobre cómo el cerebro procesa la información y los principios de la inteligencia. “Weisre está tratando de abrir la caja negra, por así decirlo, para comprender el cerebro a nivel de neuronas individuales o poblaciones de neuronas y cómo trabajan juntas para codificar información, ” Tolias dijo. De hecho, los nuevos modelos ya están produciendo nuevas ideas. En otro relacionado estudio, también publicado simultáneamente en Naturalezalos investigadores utilizaron un gemelo digital para descubrir cómo las neuronas en la corteza visual eligen otras neuronas con las que formar conexiones. Los científicos sabían que las neuronas similares tienden a formar conexiones, como las personas que forman amistades. El gemelo digital reveló qué similitudes importaban más. Las neuronas prefieren conectarse con neuronas que responden al mismo estímulo – el color azul, por ejemplo – sobre neuronas que responden a la misma área del espacio visual. “Es como alguien que selecciona amigos en función de lo que les gusta y no de dónde están,” dijo Tolias. “Aprendimos esta regla más precisa de cómo se organiza el cerebro.” Los investigadores planean extender su modelado a