A Drosophila Whole-Connectome Network Can Learn Human-Designed Cognitive Tasks
Deze studie toont aan dat de vaste anatomische bedrading van een mannelijk *Drosophila*-connectoom dient als een effectief computationeel substraat voor het leren van door mensen ontworpen cognitieve taken, zoals begrensde optelling en gegronde relationele taal, waarbij het de gerandomiseerde netwerkherbedradingen aanzienlijk overtreft.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het menselijk brein wordt vaak beschreven als het meest complexe object in het bekende universum, een verstrengeld web van miljarden cellen dat ons in staat stelt te denken, te bewegen en te spreken. Decennialang hebben wetenschappers geprobeerd deze bedrading in kaart te brengen door gedetailleerde diagrammen te maken, genaamd connectomen, die precies laten zien welke neuronen met welke verbonden zijn. Deze kaarten worden meestal bestudeerd om te begrijpen hoe het brein het lichaam aanstuurt, zoals hoe een vlieg een bloem ziet of hoe een mens een kopje optilt. Maar een nieuwe lijn van onderzoek stelt een dapperere vraag: als je de fysieke bedradingsdiagram van een brein neemt en deze gebruikt als het skelet voor een computerprogramma, kan dat programma dan dingen leren waar het dier nooit voor geëvolueerd is? Het is een test van de vraag of de specifieke vorm van biologische verbindingen een geheim vermogen bezit dat willekeurige verbindingen niet hebben.
Onderzoekers aan het Korea Advanced Institute of Science and Technology besloten dit idee te testen met behulp van het volledige zenuwstelsel van een enkele mannelijke fruitvlieg. Ze namen de publiekelijk beschikbare kaart van dit brein van een fruitvlieg, die meer dan 166.000 neuronen en bijna 26 miljoen verbindingen bevat, en gebruikten deze als de vaste structuur voor een kunstmatig netwerk. Ze probeerden niet de werkelijke gedachten of bewegingen van de vlieg te simuleren. In plaats daarvan trainden ze dit biologische skelet om twee taken op te lossen die niets te maken hebben met fruitvliegen: het optellen van getallen en het begrijpen van een eenvoudige taal over zintuiglijke gebeurtenissen. Bij de eerste taak moest het netwerk leren om twee getallen bij elkaar op te tellen, waarbij de som nooit honderd overschreed. In de tweede taak moest het luisteren naar een beschrijving van twee fysieke sensaties, zoals een sterke druk op een poot gevolgd door een zwakke beweging, en vervolgens die beschrijving correct koppelen aan de gebeurtenis, zelfs wanneer de volgorde van de gebeurtenissen was omgedraaid.
Om te zien of de specifieke bedrading van de vlieg ertoe deed, creëerden de wetenschappers een controlegroep. Ze namen hetzelfde aantal neuronen en verbindingen, maar husselden de verbindingen willekeurig door elkaar, waarbij alleen het aantal verbindingen per neuron gelijk werd gehouden. Dit creëerde een "herbedrade" hersenen die statistisch gezien vergelijkbaar waren, maar de specifieke, geëvolueerde paden van de echte vlieg misten. Toen ze het echte vliegnetwerk trainden op de opteltaak, slaagde het met een hoge nauwkeurigheid en gaf het bijna 93 procent van de tijd het juiste antwoord op nieuwe problemen die het nog nooit had gezien. De willekeurige, herbedrade netwerken hadden aanzienlijk meer moeite en behaalden slechts ongeveer 68 procent nauwkeurigheid. Het verschil was substantieel, wat suggereert dat de specifieke arrangement van het brein van de vlieg een verborgen voordeel bood voor het leren van wiskunde, ook al doet de vlieg zelf geen wiskunde.
De resultaten waren nog indrukwekkender bij de taaltaak. Hier moest het netwerk zintuiglijke input koppelen aan woorden, waarbij het leerde dat een specifiek patroon van signalen "sterke druk" betekende en dat dit "voor" een "zwakke beweging" gebeurde. De onderzoekers testten het netwerk op vier verschillende manieren, waarbij ze de plek veranderden waar de zintuiglijke informatie het brein binnenkwam en waar de woorden naar buiten kwamen, om er zeker van te zijn dat de resultaten niet slechts een toevalstreffer waren van één specifieke opstelling. In al deze tests presteerde het netwerk gebouwd op het echte brein van de vlieg consequent beter dan de herbedrade versies. In de moeilijkste test, die vereiste dat het netwerk een scène correct koppelde aan de beschrijving en ook de omgekeerde scène aan de omgekeerde beschrijving, behaalde het echte brein een score van ongeveer 62 procent, terwijl de willekeurige versies gemiddeld slechts 44 procent behaalden. In een grotere vergelijking met twintig verschillende willekeurige herbedradingen, kwam het echte brein van de vlieg als eerste uit de bus en versloeg het elk van hen.
Cruciaal was dat de studie aantoonde dat dit voordeel niet alleen kwam door het hebben van het juiste aantal verbindingen. De onderzoekers ontdekten dat het succes van het echte brein sterk afhankelijk was van de afstemming tussen de zintuiglijke inputs en de specifieke delen van het brein waarmee ze verbonden waren. Wanneer ze de zintuiglijke signalen door elkaar haalden zodat de input niet langer overeenkwam met de natuurlijke bedrading van het brein, stortte de prestatie van het echte brein in, van ongeveer 61 procent naar slechts 19 procent. Dit bewees dat de structuur van het brein niet slechts een generieke container voor leren was; het was een gespecialiseerde machine waarbij de fysieke locatie van de inputs diepgaand van belang was. De willekeurige netwerken, die deze specifieke afstemming misten, konden de verwarring niet herstellen.
De bevindingen suggereren dat de manier waarop een brein is bedraad een herbruikbare blauwdruk bevat voor leren, een inductieve bias die helpt bij het efficiënt oplossen van problemen. Dit betekent niet dat het vliegenbrein een universele computer is die alles kan. Het netwerk moest nog steeds vanaf nul worden getraind en kon niet leren zonder de juiste zintuiglijke inputs. Echter, de studie demonstreert dat de biologische arrangement van randen in een connectoom meer is dan alleen een verslag van het verleden van een dier; het is een functionele architectuur die kan worden hergebruikt voor door mensen ontworpen cognitieve taken. De specifieke paden die geëvolueerd zijn voor een vlieg om door zijn wereld te navigeren, bieden ook een voorsprong voor een computer die probeert rekenkunde en taal te leren, een ontdekking die de opvatting uitdaagt dat biologische bedrading alleen nuttig is voor de gedragingen waarvoor het oorspronkelijk is geëvolueerd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.