Tag: movimiento

Las personas adaptan su comportamiento a su entorno de manera tan fluida que es casi inconsciente. Ajustamos nuestra zancada cuando caminamos con tenis o tacones altos, o cambiamos nuestro peso cuando aterrizamos sobre un guijarro. Como estudiante de posgrado, Mackenzie Mathis quería saber cómo nuestro cerebro y nuestras extremidades coordinan este cambio.

En 2013, Mathis, una neurocientífica que entonces estaba en la Universidad de Harvard en Cambridge, Massachusetts, pasó meses entrenando ratones para que usaran pequeños joysticks, para poder comprender cómo el cerebro procesa señales externas sutiles. Una vez que los ratones estuvieron entrenados, introdujeron fuerzas para empujar el joystick fuera de su trayectoria y observaron cómo los dedos de los animales compensaban. Pero las herramientas computacionales disponibles sólo podían rastrear el joystick o, en el mejor de los casos, las extremidades del roedor, no sus diminutas garras.

Mientras tanto, en un laboratorio cercano de la Universidad de Harvard, el neurocientífico computacional Alexander Mattes instaló una cinta de correr especial y vertió leche con chocolate sobre su superficie. Cualquier rata que siguiera el rastro del azúcar sería recompensada y las ratas no tuvieron ningún problema. Pero le costó analizar datos sobre el movimiento de las narices sensibles de los animales, especialmente porque no podía usar tintes o marcadores que pudieran alterar su sentido del olfato. No le faltaban datos, pero analizarlos para obtener resultados significativos era una tarea desalentadora.

Cinco formas en que el aprendizaje profundo ha transformado el análisis de imágenes

Dos investigadores, dos conjuntos de datos y un problema: los algoritmos para rastrear la posición de partes del cuerpo generalmente requieren que los investigadores etiqueten miles de imágenes de entrenamiento antes de que el software pueda aplicarse a datos reales. “Al finalizar mi doctorado, me obsesioné un poco con la idea de poder hacer esto mejor”, dice Mackenzie Mathis. Los dos investigadores se conocieron en un pasillo de Harvard en 2013, cuando el asesor postdoctoral de Alexander los presentó. Se casaron en 2017 y colaboraron para solucionar su problema científico poco después. Desarrollaron este método en colaboración con colegas de otros laboratorios. Corte Profundoun conjunto de herramientas computacionales que combina una interfaz de usuario simple con un algoritmo de inteligencia artificial (IA) de aprendizaje profundo que los investigadores pueden usar para estudiar el movimiento y la postura de los animales en videos sin el uso de tintes y otros marcadores intrusivos (a. Matisse et al. naturaleza nerviosa. 21, 1281-1289; 2018). Luego, los investigadores pueden medir pequeñas diferencias en el movimiento en respuesta a estímulos para comprender mejor cómo el entorno del animal desencadena cambios de comportamiento. “Verlo en acción por primera vez fue nuestro '¡Eureka!'” “Un momento”, dice Mackenzie Mathis. “Fue uno de esos momentos inolvidables de la vida”.

Según los estándares científicos, DeepLabCut se ha generalizado. Aproximadamente dos semanas después de enviar el manuscrito, Mackenzie y Alexander estaban tomando un café en la sala de descanso cuando entró el asesor de Alexandre Matisse. ¿Viste las reseñas?”, recuerda Alexander Mathis. Un crítico calificó el manuscrito como “su artículo favorito de la década”, dice Mackenzie Mathis. “La broma es que probablemente nunca en mi vida recibiré mejores críticas para un artículo”.

Pero no fueron sólo los críticos los que estaban entusiasmados. Los investigadores también publicaron el manuscrito en el servidor de preimpresión bioRxiv. A los pocos días, notaron que docenas de usuarios lo probaban en bailarinas, geckos y calamares. En la plataforma de redes sociales Twitter (ahora llamada X), Mackenzie Mathis quedó encantada con los vídeos en escala de grises de animales con superposiciones esqueléticas con manchas de arcoíris. Los puntos de colores identifican puntos clave en los fotogramas de vídeo que los investigadores marcan para entrenar el algoritmo. DeepLabCut utiliza esas coordenadas para rastrear partes del cuerpo a lo largo del tiempo.

Más de cinco años después, el artículo DeepLabCut del equipo ha obtenido casi 3.000 citas. El propio DeepLabCut tiene más de 670.000 descargas. Fue cubierto, junto con el equipo de DeepLabCut en general, por una revista estadounidense. océano Atlánticoagencia de noticias Noticias de negocios de Bloomberg Y otros medios, incl. naturaleza (ser visto naturaleza 574, 137-138; 2019). El año pasado, el trabajo de la pareja fue reconocido con el premio Eric Kandel de 100.000 dólares (108.000 dólares estadounidenses) para jóvenes neurocientíficos. El jurado del premio reconoció el trabajo como un “gran avance en las ciencias de la vida”. Esta es la primera vez que el premio se otorga a una pareja y no a un individuo, dice Mackenzie Mathis. “En junio daremos juntos la Conferencia del Premio, que será nuestra primera charla conjunta”, añade.

Para Alexandre Matisse, la publicación supuso un cambio en el enfoque de la investigación: del seguimiento de olores a la neurociencia computacional y el aprendizaje automático. “Lo curioso es que el artículo principal sobre ese experimento no se ha publicado hasta el día de hoy”, dice. “DeepLabCut descarriló mi carrera en ese sentido; en realidad, todas nuestras carreras”.

Sin embargo, el gran éxito de DeepLabCut es, en cierto modo, sólo un eco de la carrera de Mackenzie Mathis.

Buen comienzo

Mackenzie Mathis pasó sus primeros años en el Valle Central de California, a unos 250 kilómetros al sureste de San Francisco. “El clima es cálido, hermoso y está lleno de vacas y naranjas”, dice riendo. “Fue una infancia muy interesante”. Entrenar y montar a caballo de forma competitiva fue gran parte de su adolescencia. Y también los perros. “Siempre tuve muchos perros y siempre quise enseñarles trucos”, recuerda. “Creo que siempre hubo ese entrenador de animales en mí”.

Esta instalación con animales jugará un papel importante en su carrera científica. Mathis comenzó su trabajo doctoral con una pregunta de investigación en mente. Su asesor, el neurobiólogo Naoshige Uchida de Harvard, recuerda haber quedado impresionado por su madurez científica desde la primera entrevista. “No fue una conversación entre el estudiante y el profesor, fue más bien como dos científicos hablando entre sí”, dice Uchida. La capacidad de Mathis para entrenar animales también resultó útil: era uno de los pocos miembros del laboratorio que podía entrenar ratones en la tarea del joystick, dice Uchida.

El aprendizaje profundo impulsa la revolución del seguimiento del movimiento

En 2016, mientras Mackenzie Mathis todavía realizaba su investigación doctoral, Uchida la animó a postularse para el Programa de becas Rowland, un programa altamente competitivo que la ayudaría a establecer un laboratorio independiente, sin ninguna experiencia en investigación posdoctoral, en el Instituto Rowland de la Universidad Rowland. . Universidad de Harvard, aceptada en noviembre. Después de graduarse, Mathis pasó cuatro meses en la Universidad de Tübingen en Alemania antes de regresar a Harvard para abrir su propio laboratorio en septiembre de 2017. DeepLabCut fue producto de unos meses de trabajo creativo entre abril y agosto de ese año.

Casi inmediatamente después de eso naturaleza Al publicar, los investigadores comenzaron a hacer preguntas y posibles colaboraciones. Un científico quería rastrear guepardos en una reserva natural de Sudáfrica. Los colores de los animales y el complejo entorno supusieron un desafío para DeepLabCut: era difícil reconocer los hombros, las patas y las extremidades de los animales camuflados en los bosques. Pero con algunas modificaciones para ayudar al algoritmo a reconocer el aspecto del animal, funcionó.

Los investigadores ahora han aplicado DeepLabCut a una asombrosa variedad de especies, incluidas moscas de la fruta, anguilas, ratas y caballos. Mackenzie Mathis rara vez participa en estos estudios y sólo se entera de nuevas aplicaciones cuando se publican los artículos. Pero esos avistamientos “en la naturaleza” son especialmente estimulantes, dice, porque son “pruebas de buena documentación”. Algunos de sus ejemplos favoritos han utilizado el instrumento para estudiar el comportamiento de lagartos, geckos, calamares y pulpos. Los animales que se camuflan, como los pulpos, plantean desafíos únicos para el software de seguimiento de movimiento. “Hubo un estudiante que tuiteó algunos vídeos de un pulpo en el Mar Rojo; como ser humano, ni siquiera puedes ver el pulpo hasta que se mueve”, dice Mackenzie Mathis. “Fue increíble verlo”.

Pagalo despues

A lo largo de su carrera, Mackenzie Mathis ha sido muy consciente de cuán pocas mujeres y personas de comunidades históricamente marginadas continúan en la neurociencia computacional. Para abordar esto, en 2022, los laboratorios de Mattis, actualmente en el Instituto Federal Suizo de Tecnología en Lausana, organizaron la primera Residencia de IA DeepLabCut, un curso de ocho semanas diseñado para ayudar a los investigadores principiantes de grupos subrepresentados a adquirir experiencia en DeepLabCut.

Centro Tecnológico de la Naturaleza

Una de los residentes de 2022, la neurocientífica Sabrina Peñas, que enseña en la Fundación Instituto Leloir en Buenos Aires, utilizó DeepLabCut para estudiar la memoria de objetos, que los mamíferos utilizan para explorar objetos desconocidos. Ella dice que el programa le permitió enriquecer su comprensión del programa. Pero conocer a Matisse también le dio un nuevo modelo a seguir. “Su confianza es realmente asombrosa”, dice Peñas. “Yo también quiero eso.”

Otro participante, el neurocientífico Konrad Danielowski del Instituto Nienke de Biología Experimental de Varsovia, desarrolló un caso de síndrome del impostor durante su estancia en 2023, temiendo no poder seguir el ritmo de sus compañeros. Después de ser seleccionado entre cientos de candidatos, “sientes una especie de presión para hacer lo mejor que puedas, para obtener algún resultado final de la residencia”, dice. El primer día, los hermanos Mathis llevaron a los estudiantes a almorzar. En ese momento, Mackenzie Mathis enfatizó la importancia de cada contribución, grande o pequeña, al código fuente abierto de DeepLabCut. “Muchas veces, cuando trabajas en ciencia, piensas que tu trabajo va a ser en vano”, dice Danielowski. Pero trabajar con la familia Mathis le ayudó a darse cuenta de que “también se trata de ser parte de la comunidad y ayudar a la gente. Te hace querer esforzarte”.

En última instancia, esto es lo que esperan los Mathis. Para Mackenzie Mathis, la residencia en DeepLabCut fue una forma de avanzar en el apoyo que hizo posible su carrera. Mackenzie Mathis dice que Uchida y sus otros mentores la ayudaron a desarrollar su confianza durante los primeros años de su carrera. Ahora quiere hacer lo mismo con quienes la admiran. “Realmente aprecio a las personas que alientan a los demás”, explica. “También traté de hacer esto tanto como pude”.