openretina: Collaborative Retina Modelling Across Datasets and Species

El artículo presenta openretina, un paquete de Python modular y de código abierto que establece un marco estandarizado para el modelado colaborativo de la retina, integrando múltiples conjuntos de datos y especies para superar la fragmentación actual y fomentar el progreso acumulativo en la comprensión de la computación retiniana.

Lo esencial

Imagina que la retina de tu ojo es como el gerente de una fábrica de procesamiento de imágenes. Su trabajo es tomar la luz que entra, filtrarla, organizarla y enviar un mensaje al cerebro sobre lo que estás viendo. Durante décadas, los científicos han intentado crear un "manual de instrucciones" (un modelo matemático) para entender exactamente cómo funciona este gerente.

El problema es que hasta ahora, cada laboratorio de investigación tenía su propia fábrica, sus propias herramientas y sus propios manuales escritos en idiomas diferentes. Si un científico en Alemania quería comparar su trabajo con el de un colega en Francia, era como intentar comparar un coche de carreras con un tractor: no había un estándar común.

Aquí es donde entra el proyecto openretina.

¿Qué es openretina?

Piensa en openretina como un "cajón de sastre" o una caja de herramientas universal para científicos. Es un programa informático (un paquete de código) que hace tres cosas principales:

1. Unifica el idioma: Crea un formato estándar para guardar los datos. Antes, cada laboratorio guardaba sus experimentos de formas diferentes. Ahora, todos usan la misma "caja" (un formato llamado HDF5) para guardar sus videos y respuestas neuronales. Es como si todos los científicos empezaran a usar el mismo tipo de cuaderno de notas.
2. Ofrece un "chasis" flexible: Imagina que quieres construir un coche. En lugar de empezar desde cero cada vez, openretina te da un chasis base (llamado "Core + Readout").
   • El Core es el motor que ve la imagen y extrae características (como bordes, colores o movimiento).
   • El Readout es el volante que decide cómo reacciona cada neurona específica a ese motor.
   • Esto permite a los científicos cambiar piezas (como cambiar un motor por otro más potente) sin tener que reconstruir todo el coche.
3. Es un campo de pruebas compartido: El proyecto ya incluye datos reales de varios animales (ratones, salamandras, monos marmoset) y grabaciones de diferentes tipos. Además, ofrece modelos ya entrenados. Es como si te dieran un coche deportivo que ya ha sido probado en pista, para que tú puedas probar nuevas modificaciones sin tener que empezar desde cero.

¿Por qué es importante? (La analogía del "Gimnasio")

Antes, si un científico quería probar si su nuevo modelo de inteligencia artificial era mejor, tenía que ir a su propio gimnasio, usar sus propias pesas y decir: "¡Mira, levanté 100 kg!". Pero no sabíamos si las pesas eran las mismas que las del gimnasio de al lado.

Con openretina, ahora todos van al mismo gimnasio, usan las mismas pesas y tienen las mismas reglas.

• Si un modelo funciona bien en un ratón, podemos ver si funciona igual en un mono.
• Si un modelo falla, podemos saber si es porque el modelo es malo o porque los datos eran difíciles.

¿Qué han descubierto con esto?

Los autores usaron esta caja de herramientas para hacer dos cosas interesantes:

1. El misterio de la "iluminación": Descubrieron que para ciertas células de la retina (las que detectan bordes), la "mejor imagen" para activarlas no es única. Es como si intentaras encontrar la mejor posición para una lámpara en una habitación oscura; dependiendo de por dónde empieces a moverla, puedes terminar iluminando la pared de la izquierda o la derecha, y ambas posiciones son "correctas" pero opuestas. openretina les ayudó a entender que esto no es un error, sino una característica natural de cómo estas células detectan el contraste.
2. Aún hay mucho por aprender: Al comparar muchos modelos diferentes, vieron que, aunque las inteligencias artificiales actuales son muy buenas, todavía no capturan todo lo que la retina hace. Hay una parte de la "magia" biológica que aún no hemos logrado replicar en la computadora. openretina nos da la herramienta para encontrar exactamente dónde fallamos y cómo mejorar.

En resumen

openretina es como un lenguaje universal y una caja de herramientas compartida para la comunidad científica que estudia la visión. En lugar de que cada investigador trabaje en una isla aislada, ahora todos pueden colaborar, comparar sus descubrimientos y construir sobre el trabajo de los demás.

El objetivo final es que, juntos, podamos descifrar el código secreto de cómo vemos el mundo, pasando de tener muchas teorías pequeñas y desconectadas a tener una gran teoría unificada que explique cómo funciona la visión en todas las especies.

Resumen técnico

1. El Problema

El modelado de la retina ha sido un desafío fundamental en neurociencia computacional. Aunque el aprendizaje profundo (Deep Learning) ha mejorado drásticamente la precisión predictiva de los modelos de identificación de sistemas, el campo actual sufre de una fragmentación crítica:

• Aislamiento de laboratorios: Los datos, el código y las prácticas de análisis están dispersos entre diferentes grupos de investigación, cada uno con sus propios formatos de datos, bases de código y protocolos de evaluación.
• Falta de reproducibilidad y comparabilidad: Esta dispersión dificulta la reproducción de resultados, la comparación justa entre diferentes arquitecturas de modelos y el progreso acumulativo.
• Barreras de entrada: La falta de estandarización eleva la barrera de entrada para investigadores sin experiencia profunda en aprendizaje automático, limitando la colaboración interdisciplinaria.

2. Metodología

El proyecto presenta openretina, un paquete modular de Python basado en PyTorch diseñado para crear un ecosistema de modelado colaborativo y estandarizado. La metodología se basa en los siguientes pilares:

• Arquitectura "Core + Readout": Se adopta un marco unificado donde el modelo se divide en dos componentes:
  • Core: Compartido entre neuronas, procesa el estímulo visual para extraer representaciones de características ricas. Puede ser cualquier arquitectura de visión por computadora (CNNs, GRUs, etc.).
  • Readout: Específico para cada neurona, mapea las características del "Core" a las tasas de disparo predichas.
  • Esta separación permite flexibilidad (desde modelos LNP clásicos hasta redes neuronales profundas complejas) y extensibilidad.
• Formato de Datos Unificado (HDF5): Para garantizar la interoperabilidad, se utiliza el formato HDF5 como contenedor estándar. Esto permite empaquetar estímulos (videos/tensor de imágenes) y respuestas neuronales sincronizados, junto con metadatos esenciales (covariables experimentales, detalles de preprocesamiento, anotaciones funcionales).
• Pipeline de Entrenamiento Estandarizado: Se integra PyTorch Lightning para gestionar tareas repetitivas (logging, checkpointing, entrenamiento distribuido). Se utiliza un sistema de gestión de configuraciones (basado en YAD) que desacopla la especificación del modelo de la lógica de entrenamiento, permitiendo cambiar componentes mediante archivos de configuración.
• Métricas de Evaluación Comunes: Se implementa una suite unificada de métricas, incluyendo:
  • Correlación de Pearson: Para medir el acuerdo lineal y la estructura temporal.
  • FEVE (Fraction of Explainable Variance Explained): Una versión corregida por ruido de $R^2$ que mide la proporción de varianza explicada, teniendo en cuenta la variabilidad trial-a-trial.
  • Oracle Leave-One-Out: Para estimar el límite superior teórico del rendimiento del modelo.
• Análisis In Silico: El paquete incluye herramientas para interpretar modelos entrenados, como la optimización de estímulos (MEI - Maximally Exciting Inputs), visualización de pesos internos y análisis de campos de gradiente para entender la sensibilidad de las neuronas.

3. Contribuciones Clave

• Lanzamiento del Paquete openretina: Una herramienta de código abierto que integra entrenamiento, evaluación e interpretación en un solo entorno.
• Integración de Múltiples Conjuntos de Datos: En su lanzamiento inicial, integra cinco conjuntos de datos públicos que abarcan múltiples especies (salamandra, ratón, marmosete, axolote), modalidades de registro (MEA, imágenes de calcio 2P) y tipos de estímulos (ruido blanco, escenas naturales, películas).
• Checkpoints Pre-entrenados: Proporciona modelos pre-entrenados para cada conjunto de datos, sirviendo como líneas base reproducibles para la comparación.
• Herramientas de Visualización y Análisis: Implementa técnicas avanzadas de interpretación, como la generación de estímulos discriminatorios, mapas de sintonización de respuesta y visualización de kernels espaciotemporales.
• Infraestructura Colaborativa: Establece una "tarjeta de conjunto de datos" (dataset cards) y documentación viva para mantener un registro actualizado de los recursos disponibles.

4. Resultados

El artículo demuestra la utilidad de la plataforma mediante dos casos de uso principales:

• Análisis de Campos de Gradiente: Se aplicó a células ganglionares de la retina (RGC) tipo ON-OFF. El análisis reveló que la inestabilidad en la optimización de estímulos (MEI) para estas células se debe a la naturaleza del codificado de contraste espacial. Los campos de gradiente mostraron que las direcciones óptimas apuntan hacia aumentos de intensidad independientemente de la polaridad, explicando por qué los algoritmos de optimización convergen a MEIs con polaridades opuestas dependiendo de la inicialización.
• Comparación Sistemática de Modelos:
  • Dentro del conjunto de datos: Los modelos basados en redes neuronales (CNN, GRU) superaron consistentemente a los modelos lineales (LNP). Se observó que el uso de entradas de video en color (UV/Verde) y de alta resolución mejoró significativamente la FEVE.
  • Entre conjuntos de datos: Se evaluaron modelos en cinco datasets. Los resultados mostraron una variabilidad considerable en el rendimiento (FEVE entre 0.44 y 0.71), destacando que incluso los mejores modelos actuales dejan una varianza explicada sustancial sin capturar.
  • Se identificó que las diferencias en el rendimiento no se deben solo a la arquitectura, sino a factores como la especie, la modalidad de registro, el tipo de estímulo y, crucialmente, el número de repeticiones de prueba (que afecta la estimación del límite de varianza explicable).

5. Significado e Impacto

• Unificación del Campo: openretina actúa como un "hub" central que cierra la brecha entre laboratorios, permitiendo una comparación justa y acumulativa de modelos de identificación de sistemas retinianos.
• Aceleración del Descubrimiento: Al proporcionar herramientas interoperables y datos estandarizados, reduce la barrera de entrada y permite a los investigadores centrarse en la formulación de hipótesis biológicas en lugar de la ingeniería de datos.
• Hacia un Modelado Comparativo: Establece las bases para un enfoque similar a "Brain-Score" o "Sensorium Challenge" pero específico para la retina, facilitando el estudio de principios universales de computación visual frente a estrategias específicas de cada especie.
• Futuro Colaborativo: El proyecto invita a la comunidad a contribuir con nuevos datasets, modelos (incluyendo modelos mecanicistas/biofísicos en el futuro) y mejoras en las métricas de evaluación, promoviendo una ciencia más abierta y rigurosa.

En resumen, openretina representa un cambio de paradigma desde estudios aislados hacia un ecosistema de modelado colaborativo, estandarizado y reproducible para la neurociencia visual.