Sve životinje, velike ili male, moraju da se kreću neverovatnom preciznošću da bi stupile u interakciju sa svetom. Razumevanje kako mozak kontroliše kretanje je fundamentalno pitanje u neuronauci. Za veće životinje, ovo je izazov zbog složenosti njihovog mozga i nervnog sistema. Ali voćna mušica, Drosophila melanogaster, ima manji mozak i stoga ga je lakše mapirati, što omogućava naučnicima da steknu detaljan uvid u to kako njen nervni sistem pokreće ponašanje.
Da bi razumeli kako nervni sistem kontroliše radnje, istraživači iz grupe Pavan Ramdia iz EPFL-a stvorili su simuliranu stvarnost u kojoj virtuelna muva može da radi i reaguje na način na koji prave muve. Istraživanje je objavljeno u časopisu Prirodne metode.
Ovaj program, poznat kao NeuroMechFli v2, implementira neuromehanički model koji prevazilazi osnovne motoričke funkcije. Uključujući vizuelni i olfaktorni osećaj, složene terene i finu motoričku povratnu informaciju, NeuroMechFli v2 simulira kako bi se voćna mušica kretala kroz svoje okruženje dok bi reagovala na prizore, mirise i prepreke.
Ramdjino istraživanje se fokusiralo na digitalno repliciranje principa koji su u osnovi kontrole motora Drosophile. 2019. godine, njegova grupa je objavila DeepFli3D, softver koji koristi duboko učenje da uhvati kako se noge muve kreću na osnovu slika sa više kamera.
Godine 2021, Ramdjin tim je otkrio LiftPose3D, metodu za rekonstrukciju 3D poza životinja sa slika snimljenih sa jedne kamere. Ovi napori su dopunjeni njegovom publikacijom NeuroMechFli 2022, prvog morfološki tačnog digitalnog „blizanca“ Drosophile.
Sa drugom iteracijom NeuroMechFli, istraživači su sada dodali detaljne karakteristike koje oponašaju pravu anatomiju i fiziologiju muva. Na primer, pažljivo su ažurirali uglove nogu i zglobova kako bi bolje odgovarali biomehanici pravih pokreta voćne mušice. „Mozak“ modela sada može da obrađuje vizuelne i mirisne informacije kroz virtuelne oči i antene, dajući mu senzorno iskustvo blisko onom prave voćne mušice.
Ovo podešavanje omogućava NeuroMechFli v2 da simulira različite strategije upravljanja za zadatke iz stvarnog života kao što su hodanje po neravnom terenu ili skretanje kao odgovor na mirise i vizuelne znakove. Tim je pokazao realistično ponašanje muva u različitim uslovima. Na primer, model može vizuelno da prati pokretni objekat ili da se kreće ka izvoru mirisa, izbegavajući prepreke na svom putu.
NeuroMechFli takođe omogućava istraživačima da zaključuju neuronske aktivnosti u mozgu na osnovu iskustva muve u virtuelnom svetu. „Uvezujući NeuroMechFli v2 sa nedavno objavljenim računarskim modelom vizuelnog sistema muve, istraživači mogu da pročitaju ne samo šta muva vidi u simuliranom okruženju, već i kako bi stvarni neuroni mogli da reaguju“, kaže Sibo Vang-Čen, koji vodio istraživanje.
Sa pristupom ovim neuronskim aktivnostima, naučnici su modelirali kako bi muva mogla juriti drugu muvu – na primer, tokom udvaranja – na biološki prihvatljiv način. Ovo je bilo moguće zahvaljujući hijerarhijskom sistemu kontrole u modelu, koji omogućava funkcijama višeg nivoa „mozga“ da komuniciraju sa motoričkim funkcijama nižeg nivoa — organizacija koja oponaša kako stvarne životinje obrađuju senzorne podatke i kontrolišu svoja tela.
Konačno, istraživači takođe mogu da koriste NeuroMechFli v2 da prouče kako mozak integriše senzorne signale da bi održao svest o stanju životinje. Da bi to demonstrirao, Ramdiin tim je ponovio sposobnost muve da koristi povratne signale iz pokreta nogu kako bi pratio svoju lokaciju – ponašanje koje se naziva integracija putanje.
Ova funkcija omogućava simuliranoj mušici da „zna“ gde se nalazi, čak i kada su njeni vizuelni ulazi ograničeni. Ova vrsta senzorne obrade zatvorene petlje je obeležje biološke inteligencije i kritična prekretnica za neuroinženjering.
Uzeto zajedno, NeuroMechFli v2 omogućava istraživačima da istraže kako mozak kontroliše ključna ponašanja koristeći računarske modele. Ovo otvara put dubljim uvidima u koordinaciju između mozga i tela, posebno za vrste sa složenim senzorno-motornim sistemima.
U budućnosti, ovaj model bi mogao da posluži kao nacrt za dizajniranje robota koji se kreću pomoću senzornih znakova, kao što su praćenje mirisa ili prilagođavanje pokreta za stabilizaciju vizuelnih efekata, poput stvarnih životinja koje istražuju svoje okruženje.
Poboljšanjem modela mašinskog učenja koji kontrolišu ove simulacije, istraživači takođe mogu naučiti kako životinjska inteligencija može utrti put sistemima veštačke inteligencije koji su autonomniji, robusniji i koji reaguju na okolinu.
