Reconocimiento visual, casi fractal….casi…..

Una imagen vale más que mil palabras y el cerebro necesita miles de millones de neuronas para procesarla. ¿Por qué necesitamos tantas neuronas? Para averiguarlo, investigadores del Janelia Research Campus han grabado miles de ellas en la corteza visual del ratón. Aquí hay algunos datos.

Una razón para tener tantas neuronas puede ser que cada una tenga diferentes tareas:

La neurona A reconoce la agudeza de las orejas de un zorro,

La neurona B reconoce el color del pelaje del zorro.

La neurona C reconoce una nariz de zorro,

Etc.

Cuando una cantidad suficiente de estas neuronas se activan, el cerebro en su conjunto puede reconocer a un zorro.

¿Qué sucede si algunas neuronas se “duermen” en el trabajo y no responden a la imagen? En realidad, esto sucede muy a menudo, y sin embargo, el cerebro es notablemente robusto a estos fallos.

Incluso si el 90% de las neuronas no hacen su trabajo, todavía podemos reconocer al zorro. Incluso si cambiamos aleatoriamente el 90% de los píxeles, todavía podemos reconocer al zorro. El cerebro es robusto a muchas manipulaciones como esa.

Las redes neuronales artificiales también usan millones de neuronas para reconocer imágenes.

A diferencia de los cerebros, las máquinas no son tan robustas para pequeñas aberraciones. Aquí está nuestro zorro y, junto a él, el mismo zorro muy ligeramente modificado, ¡y ahora la máquina cree que es un pez globo!

Estas se llaman "imágenes adversas", porque las inventamos para engañar a la máquina. ¿Cómo se protege el cerebro contra estas perturbaciones y otras?

Una protección podría ser hacer muchas copias ligeramente diferentes de las neuronas que representan a los zorros. Incluso si algunas neuronas se duermen en el trabajo, sus copias podrían activarse. Sin embargo, si el cerebro utilizara tantas neuronas para cada imagen, ¡nos quedaríamos rápidamente sin neuronas!

Esto resulta en una presión evolutiva: es bueno que muchas neuronas realicen trabajos muy diferentes para que podamos reconocer muchos objetos en las imágenes, pero también es bueno si comparten algunas responsabilidades, para que puedan recuperarse cuando sea necesario.

Al investigar las principales dimensiones de la variación en las respuestas de 10,000 neuronas, los científicos encontraron ciertas evidencias en este sentido. A continuación, cada columna es la respuesta de una neurona a varias de nuestras imágenes.

Las dos dimensiones más grandes se distribuyeron ámpliamente en todas las neuronas, como se ve a continuación. Cualquier neurona podría contribuir  y recuperar la función  si las otras neuronas no respondieran.

Las siguientes 8 dimensiones, cada una de ellas, eran más pequeñas y se distribuían de forma mas dispersa entre las neuronas. Si una neurona estuviera dormida, aún sería probable que algunas otras pudieran representar estas dimensiones en su lugar.

Las siguientes 30 dimensiones revelaron una estructura cada vez más compleja ...

Y también lo hicieron las siguientes 160 dimensiones ...

Y así sucesivamente, esto continuó, con la N-ésima dimensión aproximadamente N veces más pequeña que la dimensión más grande.

Esta distribución de actividad se denomina “ley potencial” .

Sin embargo, esto no era solo una ley potencial, tenía un exponente especial de aproximadamente uno. Los investigadores hicieron algunos cálculos y demostraron que una ley potencial con este exponente debe ser fractal en el límite.

Un fractal es un objeto matemático que tiene una estructura en diferentes escalas espaciales, como el conjunto de Mandelbrot a continuación:

Este video a continuación con la técnica “Inceptionism” es también una especie de fractal

La actividad neuronal que nos permite visualizar nuestro mundo estaba enormemente cerca de ser un fractal, y apenas la evitaba porque su exponente era 1.04, ligeramente mayor de 1. Un exponente de 1.04 es el punto clave: lo más dimensional posible sin llegar a ser un fractal.

Y no ser fractal implica que las respuestas neuronales sean continuas y suaves, que es la clave  que permite a las neuronas  no confundir a un zorro con un pez globo.

 Basado en:  https://www.biorxiv.org/content/10.1101/374090v1

Todos los datos neuronales están disponibles aquí: 

https://figshare.com/articles/Recordings_of_ten_thousand_neurons_in_visual_cortex_in_response_to_2_800_natural_images/6845348

Y el código está aquí: https://github.com/MouseLand/stringer-pachitariu-et-al-2018b

Mapeando la retina

Redes de neuronas en la retina del ratón. Las células verdes forman una red eléctrica acoplada;

 las células rojas expresan un marcador fluorescente distintivo para distinguirlas de otras células; 

las células azules se etiquetan con un anticuerpo contra una enzima que produce óxido nítrico, 

importante en la señalización retiniana.

 Estas imágenes ayudan a identificar los tipos de células de la retina, 

sus moléculas de señalización y sus patrones de conectividad.

Imagen: Jason Jacoby y Gregory Schwartz, de la Universidad Northwestern

Para Gregory Schwartz, Investigador, trabajar en total oscuridad tiene sus beneficios. Sólo en ausencia de luz puede Schwartz aislar las neuronas en reposo de la retina del ojo y estimularlas con luz (su excitante natural) para que disparen señales eléctricas. Tales señales no sólo proporcionan una lectura de las propiedades intrínsecas de cada neurona, sino información que permite al investigador de la visión deducir cómo funciona y como forja conexiones con otras neuronas.

La retina es el tejido neural sensible a la luz que recubre la parte posterior del ojo. Aunque sólo tiene el tamaño de un sello de correos, cada una de nuestras retinas contiene alrededor de 130 millones de células y más de 100 tipos de células distintas. Estas células están organizadas en múltiples capas de procesamiento de información que trabajan juntas para absorber la luz y traducirla en señales eléctricas que fluyen a través del nervio óptico hasta el centro visual apropiado en el cerebro. Al igual que otras partes del ojo, la retina puede dañarse, y las enfermedades de la retina, incluyendo la degeneración macular relacionada con la edad, la retinitis pigmentosa y la retinopatía diabética, siguen siendo las principales causas de pérdida de visión y ceguera en todo el mundo.

En su laboratorio en la Facultad de Medicina Feinberg de la Universidad Northwestern, en Chicago, Schwartz realiza investigación básica, que es parte de un esfuerzo mucho mayor entre los investigadores de la visión, para ensamblar una lista de piezas que explique todos los tipos celulares necesarios para hacer una retina. Una vez que Schwartz y otros investigadores se acerquen a la conclusión de esta lista, el siguiente paso será elaborar los detalles del cableado interno de la retina para comprender mejor cómo se generan las señales visuales. Este tipo de información  contiene la clave para detectar las enfermedades de la retina en su estado inicial y de forma más precisa, y permitiría la reparación de los circuitos mal conectados que afectan a la visión, y tal vez incluso más adelante se podría abordar la creación de una retina protésica mejorada.

Schwartz centra la mayor parte de su atención en la quinta capa más interna de la retina, que se compone principalmente de neuronas llamadas células ganglionares. Aunque el conteo continúa, se estima que hay más de 40 tipos de células ganglionares. Estas células se autoorganizan en circuitos que se especializan en extraer una característica específica de una señal visual y procesarla aún más. Este proceso es complejo y asombroso. De hecho, Schwartz calculó que estas células continuamente emiten información, desde cada punto en el espacio visual, destinada al cerebro, mediante 150 vías visuales diferentes. Cada vía proyecta información específica, tal como forma, color, contraste, movimiento, dirección y ubicación.

Este año, Schwartz y Amurta Nath, estudiante de Northwestern, informaron haber descubierto dos nuevos tipos de células ganglionares de la retina que seleccionan la orientación, es decir, informan al cerebro si un objeto se coloca vertical u horizontalmente. Curiosamente, los neurólogos David Hubel y Torsten Wiesel ganaron el Premio Nobel de Fisiología y Medicina de 1981 por descubrir la orientación selectiva en la corteza cerebral. El último descubrimiento muestra que la retina transmite al cerebro una señal de orientación paralela.

Schwartz y sus colegas se están dedicando a generar estrategias para desmontar y recomponer, o "hacer ingeniería inversa", varias partes de la retina del ratón. El primer paso en el proceso es idear métodos para determinar cómo interactúan las células ganglionares, así como a detectar la forma en la que varios tipos de células de la retina se conectan para formar circuitos. La creación de esta "matriz de conectividad" implicará un etiquetado preciso de las distintas células y sinapsis.

Para Schwartz, el paso dos será ir más allá de una descripción puramente anatómica de las células y comenzar a definir cómo funcionan estos circuitos con múltiples componentes. El objetivo es conseguir que al excitar las células individuales dentro de un circuito con un patrón definido de luz, se pueda predecir con precisión la fuerza y ​​la duración de la señal eléctrica que cada célula va a generar.

Para lograr esta proeza, se requerirá un modelado informático muy sofisticado. Schwartz, con formación en biología computacional, piensa que ese trabajo debe basarse en una comprensión detallada de los diferentes tipos de células, su fisiología, y su comportamiento de señalización a menudo complejo, no lineal. Este acercamiento ascendente a la modelización informática requiere un gran esfuerzo, pero Schwartz piensa que es la única manera de obtener la matemática correcta.

Durante su formación postdoctoral, Schwartz quería aplicar sus habilidades computacionales para mapear el cerebro con sus decenas de miles de millones de células y conexiones. Schwartz rápidamente se dio cuenta de que esto  sería una tarea abrumadora. Entonces, durante una rotación requerida en un laboratorio de investigación de la visión, quedó fascinado por la retina y el conocimiento que puede ser obtenido estudiando un sistema neural mucho más pequeño, más simple, cuyo único input es la luz y su única salida es predecible ya que transcurre a través del embudo que forma el  nervio óptico. A diferencia de la cartografía de todo el cerebro, Schwartz decidió que la cartografía de la retina era algo que realmente podría ser un proyecto realizable en unos pocos años.

Si este tipo de mapeo neuronal detallado puede lograrse para la retina, proporcionará más ímpetu para el esfuerzo de identificar y mapear todos los circuitos en el cerebro humano, que es el  objetivo específico de la Iniciativa norteamericana BRAIN (Investigación del Cerebro a través de Neurotecnologías Innovadoras).

Basado en:  Cardinal orientation selectivity Is represented by two distinct ganglion cell types in mouse retina. Nath A, Schwartz GW. J Neurosci. 2016 Mar 16;36(11):3208-3221.