I see you: машинное обучение и искусственные нейронные сети в изучении зрения дрозофил

qvgs0znyndq6tx9vikx1hlqgk08.jpeg

Далеко не все люди любят насекомых. Чего уж скрывать, некоторые их откровенно боятся. Но это не значит, что наши маленькие соседи по планете существуют исключительно ради того, чтобы гоняться за людьми с фобией, впутываться им в волосы, чтоб те кричали «Снимите это с меня! Снимите!». Любой живой организм на планете обладает своими необыкновенными, порой неповторимыми умениями и характеристиками. Если говорить о человеке, то среди прочего это будет передвижение на двух конечностях, противопоставленный большой палец руки и т.д. Изучая такие особенности, ученые лучше понимают наш мир и существ его населяющих. Также многие исследования с животными или насекомыми подталкивали ученых к открытиям в областях, не связанных с биологией. Сегодня мы поговорим об исследовании, главным героем которого является существо, доставляющее немало хлопот в летние месяцы — плодовая мушка дрозофила. Ученые решили ответить на вопрос — как видит мир вокруг себя дрозофила? И речь пойдет далеко не только о зрительном аппарате. Машинное обучение, искусственные нейронные сети — и все это ради столь малого существа. Что смогли узнать ученые, как работала и создавалась их «искусственная мушка» и какова польза такого странного на первый взгляд исследования? Давайте поищем ответы в докладе ученых. Поехали.

Энтомология

Прежде чем разбирать по полочкам доклад давайте познакомимся поближе с главной героиней.

ajvkjc5edw-isejcolizfdkxw6u.jpeg

Дрозофила фруктовая это двукрылое насекомое, размер которого не превышает 2.5 мм (у самок, самец меньше). Многие из нас знакомы с этими насекомыми не понаслышке. Наступает лето, мы покупаем фрукты и овощи, кладем их где-то в открытом доступе и через некоторое время замечаем, как эти маленькие создания уже облюбовали наши покупки. Если не придавать этому значения, то через несколько дней у вас на кухне будет уже целая армия, способная захватить небольшое государство. Ладно, это гипербола, но их становится реально много (знаю по своему опыту). Для развития дрозофиле многого не надо: достаточно теплая среда и наличие пищи, которая часто служит и местом кладки яиц. Питаются плодовые мушки, как понятно из названия, овощами и фруктами (в дикой природе еще соком деревьев).

Жизненный цикл дрозофилы вполне стандартный: яйцо (24 часа) — личинка (5 дней) — куколка (5 дней) — взрослая особь. При самых благоприятных условиях окружающей среды (температура 25 °C) цикл занимает около 10 дней. То есть, когда вы приносите из магазина фрукты, а через пару дней появляются мушки, знайте — их личинки (или еще яйца) уже были на продуктах. Так что мойте фрукты перед едой.

cf80oxabmwzk5cxcuk7n4m-sdog.jpeg
Цикл онтогенеза плодовой мушки.

Как видите, цикл онтогенеза (развития от яйца до взрослой особи) занимает не такое уж и малое время, но дрозофилы компенсируют вероятность потери потомства в этот период количеством отложенных яиц. За всю жизнь самка откладывает порядка 400. При этом она готова к размножению уже спустя 12 часов после завершения своего цикла онтогенеза.


Исследование показало, что плодовые мушки способны крайне быстро корректировать свое положение в воздухе. Дестабилизация положения осуществлялась посредством воздействия магнитного поля на мушку.

Правильно будет предположить, что ученым дрозофилы интересные не только онтогенезом, но и как многие насекомые, своим методом передвижения и зрением. Крылья мушки плодовой совершают порядка 250 взмахов в секунду. Если вам сложно оценить насколько это много, просто помашите руками и посмотрите сколько таких движений сделаете вы. Для сравнения, колибри (более мелкие виды) совершают порядка 100 взмахов. Также плодовые мушки стали объектом большого интереса генетиков. Уникальные особенности строения генома дрозофилы сделали ее идеальным подопытным в исследовании заболеваний человека (Паркинсона, Альцгеймера). Также дрозофилы помогают в исследованиях иммунной системы человека, онкологических заболеваний, диабета и прочего.

Как видите, это маленькое назойливое создание по своему уникально и обладает большим потенциалом для исследователей.

Основа исследования

Порой задаешься вопросом как и почему ученые приходят к тем или иным вопросам, на которые порой ищут ответы. Но здравое любопытство и желание раскрыть некоторые тайны, пусть и не самые сакральные, это даже хорошо. В нашем случае исследователи решили определить как плодовая мушка видит мир. И мы не говорим про зрение, этот вопрос уже получил свой ответ. Мы говорим о понимании того, что видит дрозофила.

Стоит также учесть, что глаз дрозофилы не так крут, как может показаться на первый взгляд. Да, ее око обладает примерно 850 омматидиев*, каждый из которых обрабатывает одну точку пространства. Это далеко от совершенства. К примеру у креветки-богомола насчитывается около 10000 омматидиев в каждом глазу. Так что фраза «найду я даже прыщик на теле у слона» вполне тут применима.


Как работают уникальные глаза креветки-богомола?

Омматидий* — составная часть фасеточного глаза насекомых, а также ракообразных.
b2hilqrcu89i5kehev0ayvttvn0.jpeg

Ученые отмечают, что ранее проведенные эксперименты показали, что дрозофила способна видеть объект при 1.16˚ (угол обзора омматидиев). Таким образом именно число омматидиев, а не их угол обзора является основным ограничивающим фактором зрения дрозофилы. При этом ученые считают, что плодовая мушка может полноценно занять место наряду с медоносными пчелами, которые способны даже различать лица людей. Осталось выяснить способна ли мушка на этот трюк.

frpe-bqjfh6s8qw68tfuumzdyiw.jpeg
Результаты работы DCN при различных ограничениях: а — 32×32 пикселя, b — на расстоянии в 3 длины тела дрозофилы + угол 4.8˚, c — на том же расстоянии, но угол 1.5˚.

Учитывая строение глаз дрозофилы, ученые определили, что изображение, получаемое ими будет примерно 29×29 пикселей. А это вам не ультра-HD 4K и все такое. Посему возникает вопрос — достаточно ли этого, чтобы дрозофила могла определить что или кого она видит перед собой.

Для этого ученые применили DCN*, где каждая такая искусственная система, как отдельная дрозофила, должна собирать всю необходимую информацию для идентификации того, что перед ней представлено.

DCN* — свёрточная нейронная сеть на базе глубокого обучения.

Подготовка к экспериментам

Искусственное око (виртуальное, конечно) было создано на базе открытой нейросетевой библиотеки Keras и состояло из 25000 искусственных нейронов. Реальное око настоящей дрозофилы насчитывает порядка 60000.

ak3qpu7qqqj0nemwc2_hx2eekzw.jpeg
Нейронные сети дрозофилы (искусственные и реальная).

На изображении В показана модель DCN, которая была реализована во время экспериментов. Для сравнения показана также и модель реальной сети дрозофилы (С).

Для подготовки модели необходима была база данных, которая послужит основой обучения нейронной сети. Источником этих знаний конечно же стали сами дрозофилы, размещенные в контейнере с температурой 25˚C и циклом смены дня и ночи 12–12 (то есть по 12 часов они находились в темноте и при освещении). Далее, спустя 1–4 часа, было отобрано 10 самок и 10 самцов, которых разделили. Спустя три дня каждая из особей была размещена в индивидуальные контейнеры (акриловые круглые арены 60 мм в диаметре и 2 мм в высоту). Над этими «аренами» была размещена обычная светодиодная лампа. В течение 15 минут производилась съемка посредством камеры GRAS-20S4M с частотой 16 кадров/секунду.

trnxev8v0hejbizrfvczy-phjew.jpeg
Камера GRAS-20S4M-С.

Съемки проводились трижды (1 съемка в день), таким образом было получено по 14400 × 3 изображений на 1 мушку.

Все данные для будущего машинного обучения, как обычно, разделены на три категории: тренировочные (обучающие), проверочные и тестовые. Обучающие насчитывали 12240 кадров, то есть начальные 75% данных за первые 2 дня съемки. 2160 кадров, последние 15%, стали проверочными. Тестовыми стали данные третьего дня съемки. Изначальные 181×181 кадры также были подвергнуты обработке двумя методами: первый — уменьшение до 33×33, центрированная обрезка до 29×29 и увеличение результата до 224×224, второй — увеличение размера до 256×256, центрированная обрезка до 224×224.

Программа графического интерфейса пользователя была написана на MATLAB, что представляет наблюдателя с тремя точками обзора испытуемой мушки: спинной, брюшной и боковой. Наблюдателю дано задание выбрать среди изображений мошек то, которое подходит данной особи.

Результаты исследования

zv7za7lgy7mfdqy-8k_8pr4yeo8.jpeg
Таблица результатов эксперимента.

В проведении эксперимента использовались разные типы архитектуры, но самой результативной оказалась ResNet18 с показателем точности 0.94, однако творение исследовательской группы — искусственное око — также показало весьма внушительные результаты — 0.75. Ученые отмечают еще один важный нюанс: на третий день проведения экспериментов среди дрозофил было замечено снижение их точности определения до 37%.

Также исследователи решили исключить размер изображения как возможный параметр, упрощающий определение объекта. То есть модель искусственного ока должна определять объект по его чертам, а не по размеру самого снимка. Посему все снимки, как обучающие, так и тестовые, были изменены в размере на 25% в случайном порядке без сохранения пропорций.

В таком варианте испытания искусственное око все равно показало хороший результат (примерно 0.55), что все равно превосходит показатели человека. Еще более удивительным является факт того, что смоделированная система практически безошибочно различала самок от самцов с точностью 0.99.

Ученые знали, что подобное испытание будет крайне сложным для человека, потому не ожидали высоких результатов, хоть и пригласили в качестве участников людей, так или иначе связанных с изучением насекомых, что повышает их шансы на определение индивидуальных особей ввиду опыта деятельности. Результаты, как уже было сказано, были слабыми, но имели определенные отличия. Так, при изображениях в 29×29 пикселей точность составила 0.11, а при 181×181 — 0.13. Отличие не колоссальное, но значимое.

Для детального ознакомление с исследованием рекомендую обратиться к докладу исследовательской группы.

Эпилог

Исследователи отмечают, что доселе механизм восприятия окружающей среды дрозофилами полностью не изучен, но уже сейчас можно уверенно заявить, что визуальные данные принимают активное в этом участие. Модель искусственного ока показала, что мушки определяют других особей не только по размеру, передвижению, расстоянию друг от друга, но и по индивидуальным мелким деталям.

Любая модель машинного обучения способна в результате с той или иной точностью различить дрозофил. Все они совершенно одинаковы в одном — они в разы лучше человека. Пока ученые не готовы ответить на вопрос почему человек не может отличить одну мушку от другой? Вопрос странный на первый взгляд, однако не лишен исследовательского потенциала. Индивидуальное определение малых динамических объектов, которые на первый взгляд кажутся совсем идентичными, это интересная способность. Однако на данный момент умение человека в этой сфере варьируется в пределах погрешности.

В любом случае, использование современных компьютерных технологий (искусственных нейронных сетей и машинного обучения) позволили раз и навсегда поставить точку в дебатах между учеными касательно умений дрозофил определять объекты (в том числе и своих сородичей) посредством определенных деталей.

Мы, люди, похожи как представители одного вида, но сильно отличаемся внешне. Эти отличия нам вполне заметны, и помогают отличить одного человека от другого. В случае насекомых все гораздо сложнее. Дрозофила не обладает супер-зрением, можно даже сказать, что она была бы одной из первых насекомых в очереди к окулисту, но это не мешает ей видеть то, чего не видит даже человек.

И по недавно сложившейся пятничной традиции немного забавного юмористического оффтопа. Всем хороших выходных, друзья.


Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас оформив заказ или порекомендовав знакомым, 30% скидка для пользователей Хабра на уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5–2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps от $20 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

VPS (KVM) E5–2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps до декабря бесплатно при оплате на срок от полугода, заказать можно тут.

Dell R730xd в 2 раза дешевле? Только у нас 2 х Intel Dodeca-Core Xeon E5–2650v4 128GB DDR4 6×480GB SSD 1Gbps 100 ТВ от $249 в Нидерландах и США! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5–2650 v4 стоимостью 9000 евро за копейки?

© Habrahabr.ru