Malgré la simplicité de leur système visuel, les mouches des fruits sont capables de distinguer de manière fiable les individus en se basant uniquement sur la vue. C'est une tâche que même les humains qui passent toute leur vie à étudier Drosophila melanogaster avoir du mal avec. Les chercheurs ont maintenant construit un réseau neuronal qui imite le système visuel de la mouche des fruits et peut distinguer et ré-identifier les mouches. Cela pourrait permettre aux milliers de laboratoires dans le monde qui utilisent les mouches des fruits comme organisme modèle de faire plus de travaux longitudinaux, en regardant comment les mouches individuelles changent au fil du temps. Cela prouve également que la vision de l'humble mouche des fruits est plus claire qu'on ne le pensait auparavant.

Dans un projet interdisciplinaire, chercheurs de l'Université de Guelph et de l'Université de Toronto, Mississauga a combiné l'expertise en biologie des mouches des fruits avec l'apprentissage automatique pour créer un algorithme basé sur la biologie qui parcourt des vidéos basse résolution de mouches des fruits afin de tester s'il est physiquement possible pour un système avec de telles contraintes d'accomplir une tâche aussi difficile.

Les mouches des fruits ont de petits yeux composés qui captent une quantité limitée d'informations visuelles, environ 29 unités au carré (Fig. 1A). L'opinion traditionnelle était qu'une fois l'image traitée par une mouche des fruits, il n'est capable de distinguer que des traits très larges (Fig. 1B). Mais une découverte récente selon laquelle les mouches des fruits peuvent améliorer leur résolution efficace grâce à de subtiles astuces biologiques (Fig. 1C) a conduit les chercheurs à croire que la vision pourrait contribuer de manière significative à la vie sociale des mouches. Cette, combiné à la découverte que la structure de leur système visuel ressemble beaucoup à un réseau convolutif profond (DCN), a conduit l'équipe à se demander :« peut-on modéliser un cerveau de mouche capable d'identifier des individus ?

Leur programme informatique a la même capacité d'entrée théorique et de traitement qu'une mouche des fruits et a été formé sur vidéo d'une mouche pendant deux jours. Il a ensuite pu identifier de manière fiable la même mouche le troisième jour avec un score F1 (une mesure qui combine précision et rappel) de 0,75. Impressionnant, ce n'est que légèrement pire que les scores de 0,85 et 0,83 pour les algorithmes sans les contraintes de la biologie du cerveau des mouches. En comparaison, lorsqu'on leur donne la tâche plus facile de faire correspondre le « mustshot » d'une mouche à un champ de 20 autres, les biologistes expérimentés des mouches humaines n'ont réussi qu'un score de 0,08. Le hasard donnerait 0,05.

Selon Jon Schneider, le premier auteur de l'article publié dans PLOS UN cette semaine, cette étude souligne « la possibilité alléchante qu'au lieu de simplement pouvoir reconnaître de grandes catégories, les mouches des fruits sont capables de distinguer les individus. Alors quand l'un atterrit à côté de l'autre, c'est "Salut Bob, Salut Alice"".

Graham Taylor, spécialiste de l'apprentissage automatique et boursière mondiale CIFAR Azrieli dans le programme Learning in Machines and Brains, était enthousiasmé par la perspective de battre des humains lors d'une tâche visuelle. "Beaucoup d'applications Deep Neural Network essaient de reproduire et d'automatiser les capacités humaines comme la reconnaissance faciale, traitement du langage naturel, ou l'identification de la chanson. Mais ils dépassent rarement les capacités humaines. C'est donc passionnant de trouver un problème où les algorithmes peuvent surpasser les humains."

Les expériences ont eu lieu dans le laboratoire de l'Université de Toronto Mississauga de Joel Levine, chercheur principal au programme de développement de l'enfant et du cerveau de l'ICRA. Il a de grands espoirs pour l'avenir de la recherche comme celle-ci. « L'approche consistant à associer des modèles d'apprentissage en profondeur aux systèmes nerveux est incroyablement riche. Elle peut nous renseigner sur les modèles, sur la façon dont les neurones communiquent entre eux, et il peut nous parler de l'animal entier. C'est en quelque sorte époustouflant. Et c'est un territoire inexploré."

Schneider a résumé ce que c'était que de travailler entre les disciplines :« Des projets comme celui-ci sont une arène parfaite pour que les neurobiologistes et les chercheurs en apprentissage automatique travaillent ensemble pour découvrir les principes fondamentaux de la façon dont tout système, biologique ou autre, apprend et traite l'information. »