Project 1B

Source text

Matecat

DeepL

With maps of the connections between neurons and artificial intelligence methods, researchers can now do what they never thought possible: predict the activity of individual neurons without making a single measurement in a living brain.

Con mapas de las conexiones entre neuronas y métodos de inteligencia artificial, los investigadores ahora pueden hacer lo que antes pensaban imposible: predecir la actividad de neuronas individuales sin realizar una sola medición en un cerebro vivo.

Con mapas de las conexiones entre neuronas y métodos de inteligencia artificial, los investigadores pueden hacer ahora lo que nunca creyeron posible: predecir la actividad de neuronas individuales sin hacer una sola medición en un cerebro vivo.

For decades, neuroscientists have spent countless hours in the lab painstakingly measuring the activity of neurons in living animals to tease out how the brain enables behavior. These experiments have yielded groundbreaking insights into how the brain works, but they have only scratched the surface, leaving much of the brain unexplored.

Durante décadas, los neurocientíficos han pasado innumerables horas en el laboratorio midiendo minuciosamente la actividad de las neuronas en animales vivos para descubrir cómo el cerebro permite el comportamiento. Estos experimentos han arrojado ideas innovadoras sobre cómo funciona el cerebro, pero solo han arañado la superficie, dejando gran parte del cerebro sin explorar. 

Durante décadas, los neurocientíficos han pasado incontables horas en el laboratorio midiendo minuciosamente la actividad de las neuronas en animales vivos para averiguar cómo el cerebro hace posible el comportamiento. Estos experimentos han aportado conocimientos revolucionarios sobre el funcionamiento del cerebro, pero sólo han arañado la superficie, dejando gran parte del cerebro sin explorar.

Now, researchers are using artificial intelligence and the connectome -- a map of neurons and their connections created from brain tissue -- to predict the role of neurons in the living brain. Using only information about the connectivity of a neural circuit gleaned from the fruit fly visual system connectome and a guess at what the circuit is supposed to do, researchers created an AI simulation of the fruit fly visual system that can predict the activity of every neuron in the circuit.

Ahora, los investigadores están utilizando la inteligencia artificial y el conectoma, un mapa de neuronas y sus conexiones creadas a partir del tejido cerebral, para predecir el papel de las neuronas en el cerebro vivo. Utilizando solo información sobre la conectividad de un circuito neuronal obtenida del conectoma del sistema visual de la mosca de la fruta y una conjetura sobre lo que se supone que debe hacer el circuito, los investigadores crearon una simulación de IA del sistema visual de la mosca de la fruta que puede predecir la actividad de cada neurona en el circuito.

Ahora, los investigadores utilizan la inteligencia artificial y el conectoma -un mapa de las neuronas y sus conexiones creado a partir del tejido cerebral- para predecir el papel de las neuronas en el cerebro vivo. Utilizando únicamente información sobre la conectividad de un circuito neuronal obtenida del conectoma del sistema visual de la mosca de la fruta y una suposición sobre lo que se supone que debe hacer el circuito, los investigadores crearon una simulación de IA del sistema visual de la mosca de la fruta que puede predecir la actividad de cada neurona del circuito.

"We now have a computational method for turning measurements of the connectome into predictions of neural activity and brain function, without first starting with difficult-to-acquire measurements of neural activity for every neuron," says Janelia Group Leader Srini Turaga, a senior author on the new research.

"Ahora tenemos un método computacional para convertir las mediciones del conectoma en predicciones de la actividad neuronal y la función cerebral, sin comenzar primero con mediciones difíciles de adquirir de la actividad neuronal para cada neurona", dice el líder del grupo Janelia, Srini Turaga, autor principal de la nueva investigación.

«Ahora disponemos de un método computacional para convertir las mediciones del conectoma en predicciones de la actividad neuronal y la función cerebral, sin tener que empezar por las mediciones de la actividad neuronal de cada neurona, que son difíciles de obtener», afirma Srini Turaga, jefe del grupo Janelia y autor principal de la nueva investigación.

The team of scientists from HHMI's Janelia Research Campus and the University of Tübingen used the connectome to build a detailed deep mechanistic network simulation of the fly visual system, where each neuron and synapse in the model corresponds to a real neuron and synapse in the brain. Although they didn't know the dynamics of every neuron and synapse, data from the connectome allowed the team to use deep learning methods to infer these unknown parameters. They combined this information with knowledge about the circuit's goal: motion detection.

El equipo de científicos del Campus de Investigación Janelia del HHMI y la Universidad de Tübingen utilizó el conectoma para construir una detallada simulación de red mecanicista profunda del sistema visual de la mosca, donde cada neurona y sinapsis en el modelo corresponde a una neurona y sinapsis reales en el cerebro. Aunque no conocían la dinámica de cada neurona y sinapsis, los datos del conectoma permitieron al equipo utilizar métodos de aprendizaje profundo para inferir estos parámetros desconocidos. Combinaron esta información con el conocimiento sobre el objetivo del circuito: la detección de movimiento.

El equipo de científicos del Janelia Research Campus del HHMI y de la Universidad de Tubinga utilizó el conectoma para construir una detallada simulación mecanicista en red del sistema visual de la mosca, en la que cada neurona y sinapsis del modelo corresponde a una neurona y sinapsis real del cerebro. Aunque no conocían la dinámica de cada neurona y sinapsis, los datos del conectoma permitieron al equipo utilizar métodos de aprendizaje profundo para inferir estos parámetros desconocidos. Combinaron esta información con conocimientos sobre el objetivo del circuito: la detección de movimiento.