Un modèle d'apprentissage automatique classique examine un objet à la fois : un cerveau, un patient, un moteur. Mais les biologistes cherchent le général : comment le cerveau d'une espèce est organisé, et pas seulement celui d'un poisson particulier. La nouvelle méthode — la synthèse probabiliste profonde de modèles (DPMS) — apprend sur une multitude d'exemplaires à la fois, comme un cuisinier qui goûte des dizaines de pommes pour comprendre le goût de la variété, plutôt que celui d'un seul fruit.
L'approche s'applique à différents types de modèles — de la régression à la réduction de dimensionnalité. Sur des données synthétiques et des enregistrements d'activité cérébrale de larves de poisson-zèbre, DPMS a montré de meilleurs résultats que les modèles entraînés sur un seul exemplaire. C'est un pas vers la compréhension des principes généraux de fonctionnement des systèmes complexes à travers leurs multiples manifestations.
Les larves de poisson-zèbre sont transparentes, ce qui permet aux scientifiques d'observer l'activité de leur cerveau directement sous le microscope, sans intervention chirurgicale.