Trots enkelheten i deras visuella system, fruktflugor kan på ett tillförlitligt sätt skilja mellan individer baserat på enbart syn. Detta är en uppgift som även människor som spenderar hela sitt liv med att studera Drosophila melanogaster kämpa med. Forskare har nu byggt ett neuralt nätverk som efterliknar fruktflugans visuella system och kan särskilja och återidentifiera flugor. Detta kan göra det möjligt för de tusentals laboratorier världen över som använder fruktflugor som modellorganism att göra mer longitudinellt arbete, titta på hur enskilda flugor förändras över tid. Det ger också bevis för att den ödmjuka fruktflugans syn är klarare än man tidigare trott.

I ett tvärvetenskapligt projekt, forskare vid Guelph University och University of Toronto, Mississauga kombinerade expertis inom fruktflugsbiologi med maskininlärning för att bygga en biologiskt baserad algoritm som cirkulerar genom lågupplösta videor av fruktflugor för att testa om det är fysiskt möjligt för ett system med sådana begränsningar att utföra en så svår uppgift.

Fruktflugor har små sammansatta ögon som tar in en begränsad mängd visuell information, uppskattningsvis 29 enheter i kvadrat (Fig. 1A). Den traditionella uppfattningen har varit att när bilden väl bearbetats av en fruktfluga, den kan bara urskilja mycket breda drag (Fig. 1B). Men en ny upptäckt att fruktflugor kan öka sin effektiva upplösning med subtila biologiska knep (Fig. 1C) har fått forskare att tro att syn kan bidra väsentligt till flugornas sociala liv. Detta, kombinerat med upptäckten att strukturen i deras visuella system ser mycket ut som ett Deep Convolutional Network (DCN), fick teamet att fråga:"kan vi modellera en flughjärna som kan identifiera individer?"

Deras datorprogram har samma teoretiska inmatnings- och bearbetningsförmåga som en fruktfluga och tränades på video av en fluga under två dagar. Den kunde sedan på ett tillförlitligt sätt identifiera samma fluga på den tredje dagen med en F1-poäng (ett mått som kombinerar precision och återkallelse) på 0,75. Imponerande nog, detta är bara något sämre än poängen 0,85 och 0,83 för algoritmer utan begränsningarna av flughjärnabiologi. För jämförelse, när man får den enklare uppgiften att matcha "mugshot" av en fluga med ett fält med 20 andra, erfarna människofluga biologer lyckades bara få en poäng på 0,08. Slumpmässig chans skulle få 0,05.

Enligt Jon Schneider, den första författaren till tidningen som publiceras i PLOS ETT Denna vecka, denna studie pekar på "den lockande möjligheten att snarare än att bara kunna känna igen breda kategorier, fruktflugor kan särskilja individer. Så när en landar bredvid en annan, det är "Hej Bob, Hej Alice"".

Graham Taylor, en maskininlärningsspecialist och CIFAR Azrieli Global Scholar inom programmet Learning in Machines and Brains, var upphetsad av utsikten att slå människor vid en visuell uppgift. "Många Deep Neural Network-applikationer försöker replikera och automatisera mänskliga förmågor som ansiktsigenkänning, naturlig språkbehandling, eller låtidentifiering. Men sällan går de utöver mänsklig kapacitet. Så det är spännande att hitta ett problem där algoritmer kan överträffa människor."

Experimenten ägde rum i University of Toronto Mississauga lab av Joel Levine, en senior fellow i CIFAR Child &Brain Development-programmet. Han har stora förhoppningar om framtiden för forskning som denna. "Tillvägagångssättet att para ihop modeller för djupinlärning med nervsystem är otroligt rikt. Det kan berätta om modellerna, om hur nervceller kommunicerar med varandra, och det kan berätta om hela djuret. Sånt är häftigt. Och det är outforskat territorium."

Schneider sammanfattade hur det var att arbeta mellan discipliner:"Projekt som detta är en perfekt arena för neurobiologer och maskininlärningsforskare att arbeta tillsammans för att avslöja grunderna för hur vilket system som helst - biologiskt eller annat - lär sig och bearbetar information."