Forscher rekonstruieren Video sich bewegender Scheiben 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.

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.“

Publikation

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. DOI: 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