Para ilmuwan mengotomatiskan penelitian perilaku hewan untuk memecahkan kode fungsi otak

Pembelajaran mesin dan jaringan saraf yang dalam mampu mengenali dan menganalisis "bahasa perilaku" hewan dengan cara yang di luar kemampuan manusia

Untuk melacak pergerakan hewan di lingkungan alam, para ilmuwan semakin beralih ke metode pembelajaran mesin (MO). Dalam video ini, algoritma DeepPoseKit melacak pergerakan dan orientasi belalang padang pasir di ruang terbatas untuk memberi para peneliti data tentang perilaku bersama serangga.

Dalam upaya untuk memahami apa yang terjadi di kepala hewan, ahli saraf dikirim dengan cara yang tak terduga: dari mengintip langsung ke otak yang hidup ke mengendalikan neuron menggunakan kilatan cahaya, menciptakan perangkat yang kompleks dan lingkungan virtual.

Pada 2013, ini memimpin ilmuwan saraf Bob Dattu, bersama dengan rekan-rekan dari Harvard Medical School, ke supermarket Best Buy, yang terletak di jalan yang sama dengan laboratorium mereka.

Di toko elektronik konsumen, mereka menemukan apa yang mereka cari: Xbox Kinect, sebuah perangkat game yang merasakan gerakan pemain. Para ilmuwan harus mengamati perincian terkecil dari pergerakan tikus yang mereka pelajari, tetapi tidak satu pun dari teknologi laboratorium tradisional yang bisa mengatasinya. Oleh karena itu, kelompok Datta beralih ke mainan itu untuk menggunakan informasi tiga dimensi tentang pergerakan tubuh hewan untuk mempelajari perilaku mereka di lingkungan. Perangkat, pada kenyataannya, memberi mereka awan poin dalam ruang tiga dimensi, dan tim kemudian menganalisis gerakan ritmis dari titik-titik ini.

Keputusan Datta mungkin tidak ortodoks pada masanya, tetapi telah menjadi simbol dari gelombang pendekatan otomatis saat ini yang mengubah ilmu perilaku. Dengan mempelajari perilaku hewan secara lebih menyeluruh dan kuantitatif, para peneliti berharap untuk lebih memahami keadaan internal yang tidak dapat diamati yang bertanggung jawab untuknya. "Kami tidak tahu kondisi potensial hewan itu," tulis Adam Calhoun , seorang postdoc yang mempelajari perilaku hewan di Universitas Princeton.

Hambatan lain muncul ketika mencoba membandingkan keadaan internal ini dari aktivitas spesifik dalam sirkuit saraf kompleks otak. Meskipun instrumen canggih dapat merekam karya ribuan neuron pada saat yang bersamaan, "kami tidak memahami output otak," kata Dutta. "Untuk memahami pengkodean saraf yang padat ini, Anda perlu akses ke pemahaman perilaku yang lebih luas."

Pemahaman yang luas ini mungkin segera menyerah pada upaya kita untuk memahaminya. Berdasarkan keberhasilan pembelajaran mesin, para ilmuwan menciptakan algoritma yang secara otomatis melacak pergerakan hewan hingga perubahan kecil pada sudut sayap lalat atau menekuk bagian belakang mouse. Mereka juga membuat alat yang dapat menemukan pola dengan secara otomatis menganalisis dan mengklasifikasikan data ini untuk petunjuk tentang kondisi internal hewan.

Keuntungan utama dari metode ini adalah mereka dapat mencari pola yang tidak terlihat oleh orang. Dalam sebuah makalah yang diterbitkan bulan lalu dalam jurnal Nature Neuroscience, Calhoun, bersama dengan ilmuwan saraf Princeton Malaya Murty dan Jonathan Pillow , menciptakan model pembelajaran mesin yang hanya menggunakan pengamatan perilaku untuk menentukan tiga kondisi internal yang menentukan kebiasaan kawin lalat buah. Dengan memanipulasi aktivitas otak lalat, para peneliti kemudian dapat menentukan set neuron yang mengendalikan kondisi ini.

Pekerjaan pelacakan gerak dan analisis perilaku yang memungkinkan penemuan-penemuan ini mewakili revolusi teknologi dalam studi perilaku. Ini juga berarti bahwa ini adalah yang pertama dari banyak kesuksesan di masa depan. Para ilmuwan sekarang menggunakan metode ini untuk menemukan jawaban atas pertanyaan dalam neurobiologi, genetika, evolusi, dan obat-obatan, yang sampai sekarang tampaknya tidak dapat dipecahkan.

Log dan direktori

Selama beberapa dekade, para ilmuwan telah mengukur perilaku hewan di laboratorium dan lingkungan alam, dipersenjatai dengan pena, kertas, dan stopwatch. Mereka menyaksikan subjek eksperimental mereka tidur, bermain, mendapatkan makanan dan pasangan. Mereka mengevaluasi pengamatan, membuat pola pola, membuat platform organisasi untuk mensistematisasikan dan menjelaskan tren ini. Ahli biologi Nikolaas Tinbergen, Konrad Lorenz dan Karl von Frisch menerima Hadiah Nobel 1973 karena secara independen melakukan percobaan serupa dengan ikan, burung, dan serangga.


Ahli zoologi, Ilan Golani, secara manual menggambarkan gerakan dan perilaku berbagai spesies untuk menggambarkan secara kuantitatif aturan yang mengatur perilaku hewan. Angka-angka ini menunjukkan rotasi seluruh tubuh oleh musang madu.

Katalog perilaku semacam itu bisa sangat detail . Dalam deskripsi 1973 tentang mencuci mouse, Nature menggambarkan "gerakan rewel kaki depan di bawah moncong" dan "gerakan kaki depan yang lebar, sinkron tapi asimetris," dan mengevaluasi kemungkinan gerakan seperti itu dalam situasi yang berbeda. Peneliti perlu menjelaskan semuanya dengan sangat rinci, karena mereka tidak tahu aspek mana dari perilaku yang diamati yang mungkin penting.

Beberapa ilmuwan mendekati masalah ini dari sisi yang berlawanan, membatasi variasi perilaku hewan hingga minimum, menempatkan mereka dalam kondisi laboratorium yang terkontrol dan memungkinkan mereka untuk membuat keputusan yang paling sederhana dengan dua opsi, seperti memilih belokan kanan atau kiri di labirin. Penyederhanaan seperti itu terkadang bermanfaat dan informatif, tetapi pembatasan buatan juga mendiskreditkan pemahaman para ilmuwan tentang perilaku alami dan dapat menyebabkan hilangnya sinyal-sinyal penting. "Kebutuhan untuk memahami perilaku dengan sempurna membatasi ruang lingkup studi ini," kata Ann Kennedy , seorang mahasiswa postdoctoral dalam ilmu saraf teoritis di California Institute of Technology.

Oleh karena itu, para ilmuwan memutuskan untuk memperbarui area ini, “mengubah pemikiran mereka ke arah pendekatan kuantitatif,” kata Talmo Pereira , seorang mahasiswa pascasarjana di laboratorium Murty dan Joshua Shevica di Princeton mereka. Dan langkah penting dalam perubahan ini adalah otomatisasi pengumpulan dan analisis data.

Lacak moncong, tulang belakang dan ekor

Teknologi pengambilan gambar selalu penting dalam melacak postur hewan yang bergerak. Pada abad ke-19, Edward Maybridge menggunakan chrono-photography untuk menganalisis mekanisme berlari kuda dan tarian orang. Foto-foto memudahkan untuk menganalisis posisi, katakanlah, anggota badan atau kepala hewan, dan membuat proses ini lebih akurat. Dengan kemajuan teknologi perekaman video, para peneliti dapat melakukan pengukuran yang lebih akurat - namun, mereka masih harus didasarkan pada perkiraan kasar dari kecepatan atau posisi hewan. Melacak setiap gerakan dalam tiga dimensi tidak mungkin. Dan masih, banyak pekerjaan yang harus dilakukan untuk katalog secara manual semua catatan untuk video dan memasukkannya ke dalam komputer - proses ini belum banyak membaik dibandingkan dengan metode yang lebih lama membuat sketsa di notebook.


Edward Maybridge menggunakan fotografi selang waktu untuk mempelajari kiprah kuda dan hewan bergerak lainnya. Kameranya dapat menangkap dan menangkap detail yang tidak dapat diakses oleh mata manusia.

Pada 1980-an, para peneliti mulai mengadaptasi algoritma penglihatan komputer untuk keperluan mereka, yang sudah digunakan untuk mencari wajah dan kontur dalam gambar, untuk memecahkan masalah seperti melacak kontur lalat di permukaan. Dalam beberapa dekade berikutnya, sistem dikembangkan yang mencatat lokasi hewan di setiap bingkai video, menemukan hewan tertentu dalam kelompok beberapa, dan bahkan mulai menentukan bagian-bagian tertentu dari tubuh dan orientasinya.

Namun demikian, keefektifan program-program ini masih banyak yang diinginkan. "Di antara mereka ada petunjuk tentang apa yang bisa terjadi di masa depan," kata Ian Cousin , direktur Institut Studi Perilaku Hewan yang dinamai menurut namanya. Max Planck di Jerman. "Namun, program yang sangat kompleks hanya bisa muncul baru-baru ini, berkat pengembangan pembelajaran yang mendalam."

Menggunakan deep learning (GO), para peneliti mulai melatih jaringan saraf dalam melacak posisi persendian dan sebagian besar tubuh hampir semua hewan - serangga, tikus, kelelawar, ikan - di setiap bingkai video. Hanya diperlukan untuk membuat beberapa frame berlabel (sepuluh sudah cukup untuk beberapa algoritma). Sebagai hasilnya, program menggambar titik-titik berwarna di atas tubuh hewan, menentukan posisi hidung, ekor, telinga, kaki, kaki, sayap, tulang belakang, dll.

Selama beberapa tahun terakhir, jumlah program yang dapat melakukan ini telah meningkat secara dramatis, terima kasih tidak hanya untuk kemajuan dalam pembelajaran mesin, tetapi juga untuk pekerjaan paralel menandai gerakan manusia dengan pembuat film, animator, dan pakar industri game.


Metode baru dapat melacak postur berbagai hewan selama interaksi mereka. Video menunjukkan bagaimana algoritma SLEAP secara otomatis menandai dan melacak bagian-bagian tubuh sepasang lalat selama masa pacaran (kiri) dan dua tikus mempelajari lingkungan.

Tentu saja, jika gerakan ini direkam untuk kebutuhan Hollywood atau Lembah Silikon, mudah bagi orang untuk mengenakan pakaian khusus yang digantung dengan spidol, yang sistem dapat dengan mudah mengikuti. Data ini dapat digunakan untuk membuat model postur dan gerakan yang detail. Namun, opsi kostum tidak cocok untuk studi tentang binatang.

Lima tahun yang lalu, Jonathan Whitlock, seorang ilmuwan saraf di Universitas Sains dan Teknologi Norwegia, mulai aktif mencari cara lain untuk melacak tikus yang ia pelajari. Dia mencoba segala yang dia bisa pikirkan: dia dan rekan-rekannya mencukur tikus dan menandainya dengan tinta yang memantulkan cahaya inframerah. Mereka menerapkan suspensi manik-manik kaca di punggung hewan, yang sering digunakan dalam marka jalan reflektif. Mereka mengecat sendi hewan dengan tinta bercahaya dan pernis. Mereka mencoba banyak hal, tetapi tidak berhasil sebagaimana mestinya: kadang-kadang penanda tidak cukup pintar untuk dilacak, kadang-kadang mereka mengganggu tikus, mengganggu perilaku mereka.

Sebagai hasilnya, tim Whitlock menetap pada menempelkan potongan-potongan kecil pita reflektif di tiga titik di bagian belakang hewan untuk menciptakan kembali gerakan tulang belakang dan mengenakan helm kecil dengan empat pita tambahan untuk melacak gerakan kepala. "Bahkan itu sudah cukup untuk membuka dunia yang sama sekali baru bagi kita," kata Whitlock.

www.youtube.com/watch?v=3RaHuybwtFI&feature=youtu.be
Dengan mengaktifkan neuron tertentu dalam lalat, para peneliti memaksanya untuk pergi mundur bersama korsel bola. Metode pembelajaran mendalam mengukur perubahan sudut pada sendi kaki lalat dan menampilkan pergerakan kaki, perut, dan antena ke dalam ruang tiga dimensi.

Tetapi banyak peneliti ingin menyingkirkan semua jenis penanda, dan melacak lebih dari tujuh poin pada tubuh hewan. Dengan menggabungkan ide-ide dari pekerjaan sebelumnya dengan hewan dan manusia, beberapa laboratorium telah menciptakan sistem yang mudah digunakan yang banyak digunakan saat ini.

Yang pertama dari sistem ini bekerja tahun lalu. DeepLabCut dikembangkan oleh ilmuwan saraf Harvard Mackenzie Matis dan Alexander Matis , setelah dibuat ulang untuk ini jaringan saraf yang dilatih untuk mengklasifikasikan ribuan objek. Segera, proyek-proyek lain dengan cepat muncul: LEAP (Leap Estimates Animal Pose), dikembangkan oleh Pereira dan yang lainnya di laboratorium Murty and Shevits; SLEAP, versi berikutnya dari tim yang sama, melacak posisi bagian-bagian tubuh dari beberapa hewan yang berinteraksi; DeepPoseKit Kozin, diterbitkan beberapa bulan lalu.

"Dia bisa belajar dengan sangat cepat," Morty menjelaskan sistem LEAP. "Dalam 10-15 menit, Anda dapat melatihnya untuk bekerja secara otomatis dengan semua video." Kelompok lain sedang mengerjakan pose model dalam ruang tiga dimensi daripada ruang dua dimensi, mengkalibrasi model yang sama dengan banyak kamera.

"Di dalam, teknologi ini bisa sangat kompleks," kata Kuzin, "tetapi sejauh ini mereka secara mengejutkan mudah diterapkan pada berbagai tugas yang sangat luas, mulai dari melacak pergerakan kumis tikus hingga perilaku semut atau pembentukan sekumpulan ikan."

Whitlock menemukan bahwa pada tikus yang ia pelajari, gerakan dan posisi tertentu dikodekan di bagian korteks, yang mengambil bagian dalam gerakan terkoordinasi - dan, mungkin, dalam kegiatan lain. "Area otak ini sangat aktif dalam bagaimana hewan itu memegang kepalanya," katanya. “Kami sama sekali tidak mengambil aspek pemrosesan informasi ini menjadi kulit sebelumnya,” karena para peneliti tidak dapat melacak pergerakan hewan yang bergerak bebas.

Secara skematis menggambarkan postur hewan, algoritme membantu untuk lebih memahami perilakunya. Faktanya, semua aspek perilaku yang terukur adalah "perubahan postur seiring waktu," kata Whitlock. "Dan kami belajar membaca pose itu."

Karena perangkat lunak pelacakan postur memudahkan pengumpulan data, "kita sekarang dapat beralih ke tugas lain," kata Benjamin de Beavort , ahli biologi perilaku di Universitas Harvard. Sebagai contoh: bagaimana cara mendefinisikan blok perilaku dan bagaimana menafsirkannya?

Bahasa tersembunyi

Upaya untuk menjawab pertanyaan-pertanyaan ini untuk waktu yang lama tergantung pada intuisi pengamat - pada "persepsi sempurna", seperti yang dikatakan oleh para ahli etologi (ahli perilaku hewan). Namun, intuisi tunduk pada prasangka, masalah dengan reproduktifitas dan kesulitan dalam generalisasi.

Zoologi Ilyan Golani dari Universitas Tel Aviv telah menghabiskan sebagian besar dari enam dekade terakhir mencari cara yang kurang acak untuk menggambarkan dan menganalisis perilaku - yang akan menggunakan unit perilaku mendasar, seperti atom dalam kimia. Dia tidak ingin menggambarkan perilaku sebagai "pacaran" atau "memberi makan". Dia ingin karakterisasi ini muncul secara alami, dari seperangkat aturan umum yang berasal dari anatomi hewan. Golani memiliki model sendiri tentang bagaimana unit dan aturan ini akan terlihat, tetapi dia percaya bahwa area ini masih jauh dari mencapai konsensus tentang ini.

Sebaliknya, para peneliti lain yakin bahwa MO dan GO lebih cenderung memimpin bidang ini ke konsensus. Tetapi DeepLabCut, LEAP, dan algoritma pelacakan postur maju lainnya bergantung pada pelatihan guru - mereka dilatih untuk mengenali bagian tubuh berdasarkan pada data yang diberi label secara manual. Para ilmuwan berharap dapat menemukan dan menganalisis dasar perilaku membangun melalui pembelajaran tanpa guru. Pendekatan semacam itu, mungkin, akan dapat secara independen mengungkapkan struktur perilaku yang tidak terlihat oleh kita, sehingga orang tidak harus memaksakan setiap langkah selanjutnya pada sistem, memperkenalkan kesalahan yang dihasilkan dari bias tersembunyi.

Contoh menarik dari pendekatan ini muncul pada 2008, ketika para peneliti mengidentifikasi empat unit dasar gerakan cacing yang dapat digabungkan bersama, menerima hampir semua gerakan yang tersedia untuk hewan ini. Representasi ringkas ini, disebut "eigenworm" [dari "eigen", yaitu “Milik sendiri” / kira-kira. diterjemahkan.], menawarkan metode kuantitatif untuk menilai dinamika perilaku.


Algoritma Sequencing Gerak yang dibuat di laboratorium Bob Dutta di Harvard Medical School mendefinisikan unit kecil, atau "suku kata," dalam dinamika perilaku tikus. Ilmuwan berpendapat bahwa perilaku tikus terdiri dari suku kata seperti itu, mengikuti satu sama lain sesuai dengan aturan "tata bahasa" tertentu.
Video itu memperlihatkan enam contoh unit perilaku semacam itu (“membungkuk dan menyentak”, “lari ke depan”, “mencuci”, “mengerutkan wajah Anda”, “agresi”, “berusaha melarikan diri”). Masing-masing didasarkan pada pelacakan tikus yang berbeda; titik-titik yang muncul menunjukkan perilaku sederhana yang sama.

Datta mengambil pendekatan ini ke level yang sama sekali baru di tahun 2013, mengadopsi trik dari Xbox Kinect, dan cukup cepat mencapai kesuksesan dengannya. Ketika dia dan rekan-rekannya melihat data yang dikumpulkan yang menggambarkan pergerakan tikus, mereka terkejut melihat betapa cepatnya mereka bisa melihat struktur di dalamnya. Dinamika perilaku tiga dimensi hewan secara alami terurai menjadi segmen-segmen kecil, yang berlangsung rata-rata sekitar 300 ms. "Dan itu hanya data. Saya menunjukkan kepada Anda data mentah, "kata Datta. "Ini hanya sifat dasar perilaku tikus."

Dia memutuskan bahwa segmen ini sangat mirip dengan bagaimana unit perilaku seharusnya terlihat seperti suku kata yang disusun bersama oleh seperangkat aturan atau tata bahasa. Dia dan timnya membuat jaringan saraf yang dalam yang mendefinisikan suku kata ini. Dia sedang mencari cara untuk membagi aktivitas hewan menjadi beberapa segmen sehingga mereka akan menjadi cara terbaik untuk memprediksi perilaku masa depan. Algoritma ini, yang disebut Motion Sequencing (MoSeq), menghasilkan "suku kata", yang kemudian peneliti beri nama seperti "lari ke depan" atau "membungkuk dan menyentak" atau "berusaha melarikan diri." Dalam percobaan yang umum, mouse menggunakan 40-50 suku kata seperti itu, dan hanya beberapa dari mereka yang sesuai dengan nama orang.

"Algoritme mereka dapat mengisolasi perilaku yang bahkan kami tidak punya nama," kata Whitlock.

Para peneliti sekarang mencoba untuk menentukan kepentingan biologis atau lingkungan dari perilaku ini yang sebelumnya tidak terlihat. Mereka mempelajari bagaimana unsur-unsur perilaku ini berbeda di antara individu yang berbeda, atau jenis kelamin, atau spesies, bagaimana mereka mulai rusak dengan bertambahnya usia atau sebagai akibat dari penyakit, bagaimana mereka dihasilkan selama pelatihan atau selama evolusi.Mereka menggunakan klasifikasi otomatis ini untuk mempelajari bagaimana berbagai mutasi pada gen dan pengobatan mempengaruhi perilaku, dan untuk menggambarkan interaksi sosial.

Dan mereka sudah mulai membuat koneksi pertama dengan otak dan kondisi internalnya.

Memprediksi kondisi dan perilaku otak

Datta dan rekannya menemukan bahwa di striatum , area otak yang bertanggung jawab untuk merencanakan keterampilan motorik dan fungsi lainnya, set neuron yang berbeda diaktifkan untuk mengaktifkan berbagai "suku kata" perilaku yang ditemukan oleh program MoSeq. Karena itu, "kita tahu bahwa tata bahasa ini dikendalikan langsung oleh otak," kata Datta. "Ini bukan hanya sebuah epifenomenon , ini adalah fenomena nyata yang dikendalikan oleh otak."

Menariknya, representasi saraf suku kata tertentu tidak selalu sama. Itu berubah, mencerminkan urutan di mana suku kata ini berada. Dengan mempelajari aktivitas neuron, Dutta dapat mengetahui apakah suku kata tertentu adalah bagian dari urutan yang tetap atau variabel. "Pada level tertinggi," katanya, "ini menunjukkan bahwa striatum tidak hanya menyandikan perilaku yang diinginkan." Itu juga memberikan informasi tentang konteksnya. ”

Dia lebih lanjut mendukung hipotesis ini dengan memeriksa apa yang akan terjadi ketika striatum berhenti bekerja dengan baik. Suku kata tetap sama, tetapi tata bahasanya rusak, urutan tindakan menjadi lebih acak dan kurang adaptif.

Peneliti lain melihat apa yang terjadi di otak untuk jangka waktu yang lebih lama. Gordon BermanAhli biofisika Universitas Emory menggunakan Motion Mapper, teknik analisis tanpa guru, untuk memodelkan perilaku. Model ini, yang memiliki elemen perilaku dalam hierarki tertentu, dapat memprediksi aktivitas saraf hirarkis otak, seperti yang ditunjukkan dalam makalah yang diterbitkan oleh tim peneliti dari University of Vienna. Berman mengatakan bahwa "tujuan inspirasional" dari studi ini adalah untuk suatu hari nanti menggunakan Motion Mapper untuk memprediksi interaksi sosial hewan.

Dan ada Murty dengan timnya, dan pencarian mereka untuk kondisi internal yang tersembunyi. Mereka telah menciptakan model yang menggunakan pengukuran gerakan lalat untuk memprediksi bagaimana dan kapan lalat jantan akan mulai bernyanyi. Mereka menemukan bahwa, misalnya, dengan penurunan jarak antara jantan dan betina, kemungkinan bahwa jantan akan membagikan lagu dari jenis tertentu meningkat.

Dalam sebuah makalah baru-baru ini yang diterbitkan dalam Nature Neuroscience, para ilmuwan memperluas model ini untuk memasukkan potensi keadaan tersembunyi tersembunyi lalat jantan yang dapat meningkatkan kualitas prediksi tentang lagu-lagu mana yang akan diberikan jantan. Tim menemukan tiga kondisi yang mereka sebut "keintiman," "penganiayaan," dan "ketidakpedulian." Dengan mengaktifkan berbagai neuron dan mempelajari hasil ini menggunakan model, mereka menemukan bahwa set neuron yang sebelumnya dianggap mengendalikan pengiriman lagu sebenarnya mengendalikan keadaan lalat. "Ini adalah interpretasi berbeda dari tugas-tugas neuron yang mereka lakukan sebagai bagian dari mengendalikan perilaku lalat," kata Murty.

Sekarang mereka mengembangkan pengetahuan mereka dengan SLEAP. "Akan sangat menarik untuk melihat status tersembunyi mana yang akan dibuka model ini ketika kami menyertakan pelacakan pose beresolusi lebih tinggi di dalamnya," kata Pereira.

Para ilmuwan dengan hati-hati mencatat bahwa teknik ini harus meningkatkan dan melengkapi penelitian perilaku tradisional, dan tidak menggantikannya sepenuhnya. Mereka juga setuju bahwa banyak pekerjaan yang perlu dilakukan sebelum mereka mulai menemukan prinsip-prinsip perilaku universal yang utama. Misalnya, model pembelajaran mesin tambahan akan diperlukan untuk mengaitkan data perilaku dengan jenis informasi kompleks lainnya.

"Ini pada dasarnya adalah langkah pertama dalam meneliti masalah ini," kata Datta. Dia tidak ragu bahwa "seseorang akan datang dengan cara yang jauh lebih baik untuk melakukan ini." Namun, “nilai tambah dari pendekatan ini adalah kita beralih dari praktik etolog, ketika orang-orang saling berdebat sampai berteriak, menjadi suara serak, tentang deskripsi perilaku yang lebih baik. Sekarang kita memiliki ukuran. "

"Kami sampai pada titik di mana metode dapat mengikuti pertanyaan kami," kata Murty. "Kami baru saja membuka jalan ini." Dan menghapus semua batasan. Orang dapat melakukan apa pun yang mereka inginkan. "