Come fa il cervello della mosca a vedere il mondo?

Gli scienziati hanno creato un nuovo modello per capire come i neuroni della mosca della frutta rispondono a quello che vedono. Si chiama Multi-Path Aggregation (MPA) e usa la teoria dei punti stazionari delle reti neurali. Il trucco è combinare le immagini che la mosca osserva con la mappa completa delle connessioni del suo cervello, chiamata connettoma. MPA calcola potenze della matrice di adiacenza e ottimizza percorsi finiti, così può prevedere rapidamente le risposte di ogni neurone. Il risultato? Un profilo di funzione visiva (VFP) per ciascuna cellula, che indica se è attiva con luci accese (ON) o spente (OFF), se preferisce una direzione di movimento e come reagisce a stimoli complessi. Il modello ha raggiunto una correlazione di Pearson di 0,84 per le risposte ON/OFF, molto più alta dei metodi precedenti. Inoltre, i ricercatori hanno sostituito i moduli di rete neurale tradizionali con le risposte VFP dei neuroni della lobula, permettendo a una simulazione di mosca di navigare e evitare ostacoli. Questo dimostra che il modello non solo spiega il funzionamento interno, ma può guidare comportamenti reali. In pratica, MPA offre una “mappa funzionale” che collega il connettoma, le proprietà dei neuroni e il comportamento, aprendo la strada a intelligenze ispirate al cervello della mosca.

Il framework Multi‑Path Aggregation si basa su una formulazione lineare del flusso di attività attraverso la rete sinaptica. Partendo dalla matrice di adiacenza A del connettoma, il modello calcola A^k per k = 1…K, dove K è il numero massimo di passaggi considerati. Ogni potenza rappresenta i percorsi di lunghezza k, consentendo di catturare effetti di retroazione e feed‑forward a più livelli. I termini di ottimizzazione includono un vincolo di regolarizzazione L2 per evitare sovra‑adattamento e un termine di sparsità L1 che privilegia percorsi biologicamente plausibili. L’input visivo è codificato in un vettore di feature spaziali (luminanza, contrasto, orientamento) estratto da filtri Gabor ispirati alla retina della mosca. Questo vettore viene proiettato nello spazio dei neuroni tramite una matrice di peso W, ottenuta mediante regressione ridge su dati sperimentali di risposta elettrofisiologica. La risposta finale di un neurone i è data da r_i = σ( Σ_{k=1}^K α_k (A^k W x)_i ), dove σ è una funzione di attivazione sigmoide e α_k sono coefficienti appresi che pesano l’importanza di ciascun ordine di percorso. La procedura di training utilizza gradient descent con back‑propagation su un set di training contenente registrazioni di risposta a stimoli ON, OFF e direzionali. La validazione incrociata mostra una robusta generalizzazione a nuovi stimoli, con una riduzione dell’errore medio quadratico del 45% rispetto a modelli basati su reti convoluzionali tradizionali. Inoltre, la simulazione di blocchi sinaptici selettivi conferma che la rimozione di specifici percorsi di ordine superiore altera significativamente la capacità di navigazione, evidenziando il ruolo cruciale delle connessioni a lungo raggio nella computazione visiva della mosca. Questo approccio apre la strada a modelli di intelligenza artificiale che sfruttano la topologia del connettoma per ottimizzare le funzioni sensoriali, riducendo la dipendenza da grandi quantità di parametri e dati di addestramento.