La inteligencia artificial (IA) se ha desarrollado enormemente en los últimos años debido en gran parte a los avances en lo que se conoce como ¨deep learning¨, una metodología de aprendizaje de las máquinas. Ello ha facilitado significativos adelantos en visión computacional, traducción, reconocimiento del habla, entre otros. Los algoritmos de deep learning se aplican en una diversidad de sectores industriales con distintos propósitos.

En el mes de febrero pasado investigadores del departamento de Ciencias del Comportamiento de la Escuela de Medicina de la Universidad de Washington anunciaron la creación de ¨DeepSqueak¨, un sistema de deep learning que puede detectar y analizar la vocalización de los roedores.

Los modernos laboratorios científicos dependen de roedores para realizar pruebas y experimentación, cuyos resultados luego pueden aplicarse a humanos. Los estudios e investigaciones conducidos in vitro utilizando cultivo de células suelen caracterizarse por suministrar información incompleta; en cambio los estudios en vivo sobre organismos vivos proveen información mucho más completa.

Resulta de especial relevancia para las neurociencias  ya que los experimentos en seres humanos para la investigación del cerebro pueden resultar invasivos y complejos. Cuando las neurociencias investigan y desarrollan experimentos en vivo con seres humanos necesitan del consentimiento y autorización de aquellos que se someterán a intervenciones quirúrgicas distintas a los propósitos del estudio. Por ejemplo, numerosos experimentos e investigaciones neurocientíficos se han llevado a cabo con el consentimiento de pacientes aquejados de epilepsia que se someten a intervenciones quirúrgicas para extraer áreas responsables de la dolencia. Estas oportunidades son esporádicas y escasas, comparadas con las significativas necesidades de los científicos en el mundo. Como resultado, los roedores se usan frecuentemente en las investigaciones.

Sin embargo, los roedores están imposibilitados de comunicarse verbalmente con los investigadores, como lo hacen los humanos. Desarrollar la capacidad de estudiar la vocalización de los roedores de laboratorio suministra conocimiento adicional que puede combinarse con otra información referente a observaciones del comportamiento. Esto resulta de vital importancia para los estudios neurocientíficos vinculados con adicciones, depresión, ansiedad, temor, sistemas de recompensa, abuso de drogas, envejecimiento y enfermedades neurodegenerativas.

Durante mi experiencia académica en Rockefeller University de Nueva York, en el Laboratorio de Física Matemáticas, tuve la ocasión de presenciar estudios  y experimentos sobre los mecanismos de comunicación de roedores que fueron fascinantes. La sofisticación de los análisis y la tecnología empleada para descifrar las ¨conversaciones¨ entre dos especímenes (el era B12 y ella se denominaba B20) fueron remarcables. El objetivo era determinar si en estas comunicaciones se manifestaban valores cognitivos. Lo cierto es que los roedores se comunican entre sí y abundantemente. Sobre todo en aspectos relacionados con comida, temperatura, seguridad y apareamiento.

En este nuevo experimento, los investigadores han empleado deep learning, específicamente redes neuronales regionales convolucionales (Faster-RCNN – Regional convolutional neural networks) para detectar la vocalización de los roedores.

Las investigaciones demuestran que ciertos roedores (como ratones) vocalizan a través de una gama de frecuencias (20-115kHz). Cuando están inmersos en experiencias positivas, entretenidas como el juego, cosquilleo o buen trato, tienden a producir sonidos en una frecuencia más alta en la banda de 50khz. Por el contrario, cuando se encuentran estresados o temerosos, producen sonidos en una frecuencia inferior, alrededor de 20 khz.

Cuando la grabación de audio de la vocalización de los roedores se introduce en DeepSqueak el sistema convierte los archivos de sonido en imágenes (sonogramas). El input de grabaciones puede ser tanto individual como de ejemplares diversos. Las grabaciones se convierten en formatos de imágenes que permiten procesar sofisticados algoritmos visuales de deep learning, empleando la misma tecnología usada para los automóviles autónomos y conocida como Faster-RCNN.

Los investigadores previamente probaron el sistema DeepSqueak con llamadas etiquetadas manualmente. La red neuronal distingue y aísla la vocalización de los roedores de los sonidos ambientales.

Se estima que los roedores tienen unos 20 tipos de vocalización. Han demostrado vocalizaciones en niveles de felicidad cuando jugaban con otros congéneres, o esperaban un reconocimiento de azúcar. También se ha descubierto que la vocalización de los ejemplares machos es más compleja si una hembra se encuentra próxima. Cuando dos machos están juntos, desarrollan el mismo tipo de vocalización menos compleja repetitivamente.

El grupo de investigadores ha desarrollado DeepSqueak con un formato flexible y de fácil uso para los científicos que deseen utilizarlo en otros laboratorios.