新しい匂いを検出するために、ショウジョウバエの脳はよく知られたコンピューターアルゴリズムを改良している

新しい匂いを検出するために、ショウジョウバエの脳はよく知られたコンピューターアルゴリズムを改良している

ラホヤ-ショウジョウバエとコンピューターには何の共通点もないように思えるかもしれないが、ソーク研究所の新たな研究では、ショウジョウバエは同様の方法で新しい情報を識別していることが明らかになった。 に登場した作品は、 国立科学アカデミー紀要（PNAS） 3 年 2018 月 XNUMX 日に発表された論文は、生物が新しい匂いをどのように検出するかという重要な神経生物学的問題に光を当てるだけでなく、コンピューター サイエンスにおける新規性検出のアルゴリズムも改善できる可能性があります。

「ハエが匂いを嗅いだとき、ハエは以前にその匂いを嗅いだことがあるかどうかを素早く判断し、その匂いが新しいものであり、注意を払うべきものであるかどうかを判断する必要があります。」 サケット・ナブラハ、ソークの統合生物学研究所の助教授であり、論文の共同責任著者でもあります。 「コンピューター サイエンスでは、これは新規性検出と呼ばれる重要なタスクです。 両方の領域で新規性検出戦略がどのように比較されるかを理解することで、脳のアルゴリズムとコンピューティングの両方について貴重な洞察が得られる可能性があります。」 研究者らは、彼らの新しいフレームワークが、患者データベースやニュース記事などの大規模なストリーミング データセットの重複や異常を検出するのに役立つ可能性があると示唆しています。

2017年、ナブラハは脳が飛ぶ仕組みを発見した 識別する 同様の 臭い。 彼は、コンピュータの「類似性検索」（過去に購入したものと類似した購入すべき製品を提案する検索など）にフライ アルゴリズムを適用すると、検索結果が改善されることを発見しました。

新しい PNAS この研究は、2017 年に雑誌に掲載された別の論文 [Hattori et al.] に基づいています。 セル、ハエがまったく新しい匂いをどのように検出するかを説明しています。 ナブラカ氏はこの研究結果を読んだとき、ハエがブルームフィルターと呼ばれる新奇性検出用の計算ツールに似た戦術を使っているように見えることに衝撃を受けた。

Google などの検索エンジンが Web をクロールするとき、同じサイトのインデックスを再度作成するために時間を無駄にしないように、見つけた Web サイトが以前にインデックスに登録されているかどうかを知る必要があります。 問題は、Web 上には何兆もの Web サイトがあり、それらすべてをメモリに保存するには計算コストがかかることです。 1970 年代に、MIT のハワード ブルームは、アイテムの大規模なデータベースをコンパクトに保存できるデータ構造を考案しました。 ブルーム フィルターは、各項目をデータベースに完全に保存するのではなく、項目ごとに数ビットのスペースのみを使用して、各項目の小さな「フィンガープリント」を保存します。 同じ指紋がデータベース内に XNUMX 回出現するかどうかをチェックすることで、システムはそのアイテムが重複しているのか、それとも新しいものであるのかを迅速に判断できます。

ショウジョウバエは、新しい匂いに反応して行動を変えることがよく知られています。 ハエの脳の領域はキノコ体と呼ばれ、嗅覚情報を処理するニューロンの集合体が含まれています。 新しい匂いを感じると、これらのニューロンは「新規性警告」信号を発信し、ハエはこの匂いが新しいものであり、調査する価値があることを認識します。 しかし、その臭いが強い影響を及ぼさなければ、次回その臭いを経験した時には警戒信号の強さが弱まり、ハエは臭いを調べるために時間を無駄にすることがなくなる。 ハエは価値がある場合にのみ何かに注意を払いたいので、これは重要な計算です。 ハエのキノコ体の新規性シグナルは、ブルーム フィルターの「データ フィンガープリント」に似た匂いのフィンガープリントを使用して生成されます。

「機械学習における根本的な課題は、幅広いタスクに適したデータの表現を見つけることです」と、カリフォルニア大学サンディエゴ校のコンピューターサイエンスおよびエンジニアリングの教授であり、新しい論文の筆頭著者であるサンジョイ・ダスグプタ氏は述べています。 「ハエの嗅覚システムは、これを行うためのシンプルかつ独創的な方法を示しています。」

Cell の論文で特定された、この斬新な信号を生成する神経回路をコンピュータ サイエンスの観点から分析することで、Navlakha と Dasgupta はショウジョウバエが従来の Bloom フィルターにいくつかの新しいひねりを加えていることを発見しました。数学的に定義されています。

最初の工夫では、以前にまったく同じ匂いを嗅いだことがあるかどうかを判断するだけでなく、むしろその匂い、またはそれによく似た匂いを嗅いだことがあるかどうかを判断します。 まったく同じ匂いを二度嗅ぐことはおそらくないので、これは脳にとって重要です。 XNUMX 番目の工夫では、どのくらい前にその臭いを嗅いだかを判断する必要があります。 長い間匂いを嗅いでいた場合、その匂いの新規性は、最近その匂いを嗅いだ場合よりも高くなるはずです。

研究チームは、ショウジョウバエのブルーム フィルターのバリアントに基づいて、ショウジョウバエの新規性反応を予測するための新しいアルゴリズム フレームワークを作成しました。 彼らは、ハエに匂いのペアを連続して提示したときに収集された研究データに基づいてフレームワークをテストしました。 研究チームの新規性予測は、キノコ体ニューロンの実際の新規性反応とほぼ一致することが判明し、フレームワークの精度が検証されました。 次に、Navlakha 氏のチームは、いくつかの機械学習データセットでフレームワークをテストし、ハエのブルーム フィルターが他のタイプの新規性検出フィルターと比較して新規性検出の精度を向上させることを発見しました。

Navlakha 氏はさらに、「この研究が私たちにとって特に興味深いのは、これが脳内で発見された最初のデータ構造の XNUMX つと、脳が実際に新規性の検出を実行する方法に関する単純なアルゴリズムを表していることです。」と付け加えました。

この研究は、ピュー慈善信託、カブリ脳精神研究所、および国立衛生研究所の NIDCD から、賞番号 1R01DC017695 で資金提供されました。

他の著者には、カリフォルニア大学サンディエゴ校のティモシー・C・シーハン氏とソーク大学のチャールズ・F・スティーブンス氏が含まれます。