p Apesar da simplicidade de seu sistema visual, as moscas da fruta são capazes de distinguir de forma confiável entre indivíduos com base apenas na visão. Esta é uma tarefa que mesmo humanos que passam a vida inteira estudando Drosophila melanogaster luta com. Os pesquisadores agora construíram uma rede neural que imita o sistema visual da mosca da fruta e pode distinguir e reidentificar as moscas. Isso pode permitir que os milhares de laboratórios em todo o mundo que usam as moscas da fruta como organismo modelo para fazer um trabalho mais longitudinal, ver como as moscas individuais mudam com o tempo. Também fornece evidências de que a visão da humilde mosca da fruta é mais clara do que se pensava. p Em um projeto interdisciplinar, pesquisadores da Guelph University e da University of Toronto, Mississauga combinou experiência em biologia de mosca-das-frutas com aprendizado de máquina para construir um algoritmo de base biológica que reproduz vídeos de moscas-das-frutas de baixa resolução para testar se é fisicamente possível para um sistema com tais restrições realizar uma tarefa tão difícil.

p As moscas da fruta têm olhos compostos pequenos que absorvem uma quantidade limitada de informações visuais, uma estimativa de 29 unidades ao quadrado (Fig. 1A). A visão tradicional é que, uma vez que a imagem é processada por uma mosca de fruta, só é capaz de distinguir características muito amplas (Fig. 1B). Mas uma descoberta recente de que as moscas da fruta podem aumentar sua resolução efetiva com truques biológicos sutis (Fig. 1C) levou os pesquisadores a acreditar que a visão pode contribuir significativamente para a vida social das moscas. Esse, combinado com a descoberta de que a estrutura de seu sistema visual se parece muito com uma rede convolucional profunda (DCN), levou a equipe a perguntar:"podemos modelar o cérebro de uma mosca que pode identificar indivíduos?"

p O programa de computador deles tem o mesmo input teórico e capacidade de processamento de uma mosca de fruta e foi treinado em vídeo de uma mosca durante dois dias. Ele foi então capaz de identificar com segurança a mesma mosca no terceiro dia com uma pontuação F1 (uma medida que combina precisão e recall) de 0,75. Impressionantemente, isso é apenas um pouco pior do que pontuações de 0,85 e 0,83 para algoritmos sem as restrições da biologia do cérebro de mosca. Para comparação, quando dada a tarefa mais fácil de combinar a 'fotografia' de uma mosca com um campo de 20 outras pessoas, biólogos experientes em moscas humanas conseguiram apenas 0,08. A chance aleatória seria de 0,05.

p De acordo com Jon Schneider, o primeiro autor do artigo sendo publicado em PLOS ONE esta semana, este estudo aponta para "a possibilidade tentadora de que, em vez de apenas ser capaz de reconhecer categorias amplas, as moscas da fruta são capazes de distinguir indivíduos. Então, quando um pousa próximo ao outro, é "Oi Bob, Ei Alice "".

p Graham Taylor, especialista em aprendizado de máquina e CIFAR Azrieli Global Scholar no programa Learning in Machines and Brains, estava animado com a perspectiva de derrotar humanos em uma tarefa visual. "Muitos aplicativos de redes neurais profundas tentam replicar e automatizar habilidades humanas, como reconhecimento facial, processamento de linguagem natural, ou identificação de música. Mas raramente vão além da capacidade humana. Portanto, é emocionante encontrar um problema em que os algoritmos podem superar os humanos. "

p Os experimentos aconteceram no laboratório de Joel Levine da University of Toronto Mississauga, bolsista sênior do programa CIFAR de Desenvolvimento Infantil e Cerebral. Ele tem grandes esperanças para o futuro de pesquisas como essa. "A abordagem de emparelhar modelos de aprendizagem profunda com sistemas nervosos é incrivelmente rica. Ela pode nos falar sobre os modelos, sobre como os neurônios se comunicam entre si, e pode nos contar sobre todo o animal. Isso é uma espécie de sopro da mente. E é um território inexplorado. "

p Schneider resumiu como era trabalhar entre disciplinas:"Projetos como este são uma arena perfeita para neurobiólogos e pesquisadores de aprendizado de máquina trabalharem juntos para descobrir os fundamentos de como qualquer sistema - biológico ou não - aprende e processa informações."