Forscher rekonstruieren Video aus den Neuronensignalen einer Ratten-Netzhaut
Ein Forschungsteam hat einen kurzen Film von kleinen, sich zufällig bewegenden Scheiben aus Signalen rekonstruiert, die von Netzhautneuronen von Ratten erzeugt wurden. Dafür benutzten sie Methoden des maschinellen Lernens. Vicente Botella-Soler vom Institute of Science and Technology Austria und seine Kollegen publizierten diese Arbeit in PLOS Computational Biology. Methoden, die spontane neuronale Signale ignorieren können, erzielen höhere Genauigkeit in der Rekonstruktion.
In der Retina von Säugetieren verwandeln Neuronen die Lichtmuster in elektrische Signale, die dann an das Gehirn übertragen werden. Das Rekonstruieren von Lichtmustern aus diesen Signalen - die sogenannte Decodierung - kann helfen zu enthüllen, welche Art von Information die Signale tragen. Die meisten Decodierungsversuche haben bisher jedoch einfache Stimuli verwendet und beruhten nur auf einer kleinen Zahl von Netzhautneuronen (weniger als 50).
In ihrer neuen Studie untersuchten Botella-Soler und seine Kollegen etwa 100 Neuronen, die aus der Netzhaut einer Ratte entnommen worden waren. Sie zeichneten die elektrischen Signale auf, die jedes Neuron als Reaktion auf kurze Filme von kleinen Scheiben erzeugte. Die Scheiben bewegten sich in einem komplexen, zufälligen Muster. Dann verwendeten die Forscher verschiedene Regressionsmethoden, um deren Potential beim Rekonstruieren des Films zu vergleichen. Der Film wurde dabei Bild für Bild und Pixel für Pixel rekonstruiert.
Das Forschungsteam fand heraus, dass ein mathematisch einfacher linearer Decoder bereits eine genaue Rekonstruktion des Films lieferte. Nichtlineare Methoden rekonstruierten den Film jedoch noch besser, und zwei sehr unterschiedliche nichtlineare Methoden, neuronale Netze und sogenannte „kernelized decoders“, brachten ähnlich gute Ergebnisse.
Die Forscher demonstrierten, dass die Empfindlichkeit der nichtlinearen Methoden für ein Signal, anders als die der linearen Decoder, von früheren Signalen desselben Neurons abhängt. Die Forscher stellten daraufhin die Hypothese auf, dass diese Abhängigkeit von der Vorgeschichte es den nichtlinearen Decodern ermöglicht, jene spontanen Signale zu ignorieren, die keinem tatsächlichen Stimulus entsprechen. Ein linearer Decoder dagegen könnte Stimuli als Reaktion auf solche spontan erzeugte neuronale Aktivität "halluzinieren".
Diese Erkenntnisse könnten den Weg zu verbesserten Dekodierungsmethoden ebnen und helfen zu klären, was verschiedene Arten von Netzhautneuronen tun und warum sie benötigt werden. Als nächsten Schritt werden die Wissenschaftler untersuchen, wie gut Decoder, die auf eine neue Klasse künstlicher Stimuli trainiert wurden, sowohl auf einfachere als auch auf natürliche komplexe Stimuli verallgemeinert werden könnten.
"Ich hoffe, dass unsere Arbeit exemplarisch zeigt, dass es mit ausreichendem Augenmerk auf experimentelles Design und rechnerische Erprobung möglich ist, eine Reihe moderner statistischer und maschineller Lernmethoden zu eröffnen und zu interpretieren, welche Merkmale in den Daten ihre stärkere Vorhersagekraft verursachen", sagt Forschungsgruppenleiter Gasper Tkacik. "Dies ist der Weg, nicht nur um bessere quantitative Ergebnisse zu erzielen, sondern auch um neue Erkenntnisse und überprüfbare Hypothesen über biologische Systeme zu gewinnen."
Über das IST Austria
Das Institute of Science and Technology (IST Austria) in Klosterneuburg ist ein Forschungsinstitut mit eigenem Promotionsrecht. Das 2009 eröffnete Institut widmet sich der Grundlagenforschung in den Naturwissenschaften, Mathematik und Computerwissenschaften. Das Institut beschäftigt ProfessorInnen nach einem Tenure-Track-Modell und Post-DoktorandInnen sowie PhD StudentInnen in einer internationalen Graduate School. Neben dem Bekenntnis zum Prinzip der Grundlagenforschung, die rein durch wissenschaftliche Neugier getrieben wird, hält das Institut die Rechte an allen resultierenden Entdeckungen und fördert deren Verwertung. Der erste Präsident ist Thomas Henzinger, ein renommierter Computerwissenschaftler und vormals Professor an der University of California in Berkeley, USA, und der EPFL in Lausanne, Schweiz. www.ist.ac.at
Über PLOS Computational Biology
PLOS Computational Biology (www.ploscompbiol.org) publiziert Arbeiten von außergewöhnlicher Bedeutung die unser Verständnis lebendiger Systeme durch die Anwendung von rechnerischen Methoden vorantreiben. Weiter Informationen auf Twitter unter @PLOSCompBiol oder per mail an ploscompbiol@plos.org
Originalpublikation:
Botella-Soler V, Deny S, Martius G, Marre O, Tkačik G (2018) Nonlinear decoding of a complex movie from the mammalian retina. PLoS Comput Biol 14(5): e1006057.
https://doi.org/10.1371/journal.pcbi.1006057
Link zum frei verfügbaren Artikel:
http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006057
Wissenschaftlicher Kontakt:
Prof. Gasper Tkacik
gtkacik@ist.ac.at
+43 2243 9000 4501
Weitere Informationen:
http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006057 Link zum frei verfügbaren Artikel
http://ist.ac.at/de/forschung/forschungsgruppen/tkacik-gruppe/ Webseite der Forschungsgruppe