Stel je voor dat je een eekhoorn ziet die een boom opklautert. Je ziet de pootjes zich in de schors vastgrijpen, de staart die voor evenwicht zorgt, en de spieren die samentrekken. Maar wat je niet kunt zien, is het onzichtbare, razendsnelle gesprek dat zich in zijn brein afspeelt. Het zenuwstelsel is niet slechts een afstandsbediening die simpele "omhoog" of "omlaag" signalen stuurt; het is een complex orkest dat een massief, zwaar lichaam dirigeert door een wereld vol zwaartekracht, wrijving en verrassingen. Wetenschappers willen dit gesprek al lang begrijpen, maar er is een probleem: je kunt niet gemakkelijk in het brein van een levend dier kijken terwijl het rent, en je kunt een eekhoorn niet simpelweg vragen hoe het voor hem voelt om te balanceren.

Om dit op te lossen, gebruiken wetenschappers een truc genaamd "neuromechanische modellering". Denk erbij als het bouwen van een digitale tweeling van het dier—een virtueel lichaam met spieren, botten en natuurkunde die precies zo werken als het echte ding. Vervolgens proberen ze een computerbrein (een kunstmatig neuraal netwerk) te leren om dit digitale lichaam aan te sturen, zodat het beweegt zoals het echte dier. Het doel is om de geheimen van het brein te reverse-engineeren door te kijken welke "gedachten" (besturingssignalen) nodig zijn om het digitale lichaam te laten dansen. Echter, tot nu toe was het bouwen van deze digitale tweelingen alsof je een supercomputer probeerde te draaien op een broodrooster: het vereiste enorme, dure computerclusters die alleen grote technologiebedrijven konden betalen, waardoor het voor gewone biologie-laboratoria moeilijk was om met deze ideeën te werken.

Maak kennis met MIMIC-MJX, een nieuwe, open-source toolkit die het spel verandert. De onderzoekers achter dit project, een team van Harvard, het Salk Institute en anderen, hebben een systeem gecreëerd waarmee wetenschappers deze digitale breinen kunnen trainen op een enkele, standaard grafische kaart (het soort dat in gamingcomputers zit) in plaats van op een kamer vol servers. Ze noemen hun framework "MIMIC-MJX", en het fungeert als een meesterlijke nabootser. Het neemt videobeelden van echte dieren die bewegen—ratten die rennen, vliegen die lopen, wormen die kronkelen—en gebruikt dit om een virtuele versie van dat dier te leren hoe het moet bewegen in een natuurkundige simulatie.

Dit is hoe het werkt, stap voor stap. Eerst kijkt het systeem naar een video van een echt dier en berekent precies hoe de gewrichten buigen en waar de ledematen zich in de ruimte bevinden. Het is alsoals het maken van een 3D-skelet dat perfect op de video past, zelfs als de video alleen de buitenkant van de vacht of huid laat zien. Dit gebeurt met een hulpmiddel genaamd stac-mjx, dat fungeert als een snelle vertaler die 2D- of 3D-videopunten omzet in precieze gewrichtshoeken voor een virtueel lichaam.

Zodra het virtuele lichaam weet wat het echte dier deed, gaat het tweede deel van het systeem, genaamd track-mjx, aan het werk. Dit is de "leraar". Het maakt gebruik van een methode genaamd deep reinforcement learning, wat een beetje lijkt op het trainen van een hond met snoepjes, maar dan is de hond een computerprogramma en de snoepjes wiskundige beloningen. Het programma probeert het virtuele dier te laten bewegen om de video te matchen. Als de virtuele rat zijn poot op het verkeerde moment optilt, krijgt hij een "slechte score". Als hij de video perfect matcht, krijgt hij een "goede score". Over miljoenen pogingen heen leert het computerbrein de exacte spiercommando's die nodig zijn om de beweging te reproduceren.

Wat MIMIC-MJX bijzonder maakt, is dat het snel en flexibel is. De auteurs testten het op een grote verscheidenheid aan wezens: een rat, een fruitvlieg, een muisarm, een stokinsect en een worm. Ze ontdekten dat het systeem de bewegingen van deze dieren met ongelooflijke nauwkeurigheid kon nabootsen. Bijvoorbeeld, toen ze een virtuele rat trainden, kon de virtuele rat loop-, rechtopstaande en verzorgingsbewegingen reproduceren met een fout van slechts ongeveer 7 millimeter—ongeveer de breedte van een potloodgummetje. Nog indrukwekkender is dat het systeem de virtuele rat gedurende lange perioden in beweging kon houden, niet alleen voor een fractie van een seconde. In tests kon ongeveer 83% van de virtuele ratten twee volle minuten blijven bewegen zonder om te vallen, ook al waren ze alleen getraind op korte fragmenten van 5 seconden. Dit suggereert dat het systeem de principes van beweging heeft geleerd, en niet alleen een paar seconden video heeft onthouden.

De onderzoekers toonden ook aan dat dit systeem werkt met verschillende soorten "lichamen". Sommige dieren in hun studie, zoals de rat en de vlieg, werden aangestuurd door eenvoudige "torque" (draaimoment) motoren, terwijl anderen, zoals de muisarm en de worm, meer complexe "spier" modellen gebruikten die nabootsen hoe echte spieren rekken en samentrekken. MIMIC-MJX ging beide typen succesvol aan, wat bewees dat het kan worden aangepast aan verschillende biologische realiteiten.

Een van de meest opwindende delen van het artikel is hoe ze deze getrainde "imitatoren" gebruikten om experimenten te doen die in het echte leven onmogelijk zouden zijn. Ze namen de laag-niveau controller (het deel dat weet hoe de spieren moeten bewegen), bevroren deze, en plaatsten daar een nieuw, eenvoudig brein bovenop om het dier een nieuwe truc te leren. Ze vroegen de virtuele rat om met een specifieke snelheid te rennen of te ontsnappen aan een komvormige kuil. De virtuele rat, geleid door de MIMIC-MJX controller, leerde deze nieuwe taken snel en bewoog op een zeer natuurlijke manier. In contrast hiermee, wanneer ze probeerden een robot vanaf nul te trainen zonder deze "imitatieve" basis, faalde de robot of bewoog deze op een schokkerige, onnatuurlijke manier. Dit suggereert dat het MIMIC-MJX systeem iets fundamenteels over hoe dieren bewegen heeft gevangen, waardoor het een "prior" of een basislijn van natuurlijk gedrag creëert die het leren van nieuwe dingen veel gemakkelijker maakt.

Het artikel keek ook in de "hersenen" van hun virtuele controllers om te zien wat ze dachten. Door de data die door het netwerk stroomt te analyseren, ontdekten ze dat het systeem beweging organiseert in eenvoudige, laag-dimensionale patronen. Voor de fruitvlieg vormden de "gedachten" over het lopen een nette, cirkelvormige lus in de data, wat de ritmiek van de stappen vertegenwoordigt. Voor de muisarm toonde de data aan dat het brein complexe bewegingen comprimeerde tot een paar kernvariabelen, vergelijkbaar met hoe een mens zou denken "reik naar de beker" in plaats van elke individuele spiertrek te berekenen.

De auteurs zijn echter voorzichtig in wat dit systeem niet is. Ze stellen expliciet dat hoewel het systeem de beweging perfect kan reproduceren, de specifieke elektrische signalen die het genereert om dit te doen, niet noodzakelijkerwijs exact dezelfde signalen zijn die het brein van een echt dier gebruikt. Omdat er veel manieren zijn om een ledemaat te bewegen (een probleem bekend als "Bernstein's degrees-of-freedom"), kan de computer een andere oplossing vinden dan het dier deed. Het systeem is een geldige simulatie van hoe het lichaam zou kunnen bewegen, maar het bewijst niet hoe het dier daadwerkelijk denkt. Het is een krachtig instrument voor het genereren van hypothesen, geen definitief antwoord.

Bovendien is het systeem afhankelijk van de kwaliteit van de digitale lichaamsmodellen. Als de spieren of botten van de virtuele rat niet correct zijn gebouwd, zal de nabootsing falen. De auteurs geven toe dat het bouwen van deze gedetailleerde lichaamsmodellen nog steeds een moeilijk en tijdrovend werk is dat onderzoekers zelf moeten doen voor nieuwe soorten. Ze vereenvoudigden ook de natuurkunde, zoals het negeren van luchtweerstand of de complexe manier waarop bont met de grond kan interageren, om de simulaties snel te houden.

Ondanks deze beperkingen vertegenwoordigt MIMIC-MJX een significante verschuiving in hoe neurowetenschap bedreven kan worden. Door deze krachtige simulaties toegankelijk te maken voor elk laboratorium met een standaard computer, opent het de deur voor duizenden onderzoekers om "virtuele experimenten" uit te voeren. Ze kunnen testen hoe een zenuwstelsel zich aanpast aan een nieuwe omgeving, wat er gebeurt als een specifieke spier wordt verwijderd, of hoe leren plaatsvindt, en dat allemaal zonder een enkel dier te hoeven vangen. Het verandert het virtuele dier in een praktisch, manipuleerbaar onderwerp, waardoor de kloof tussen de rommelige realiteit van de biologie en de zuivere precisie van de informatica wordt overbrugd. Het artikel concludeert dat dit een cruciale stap is naar een toekomst waarin "virtuele neurowetenschap" een standaardpartner wordt van echte experimenten, wat hels bij het eindelijk ontcijferen van de complexe dans tussen het brein en het lichaam.