Искусственный интеллект разрешает конфликты в исследованиях поведения животных

Исследователи из Сиэтла разработали программное обеспечение на основе искусственного интеллекта для быстрого анализа поведения животных. Это позволит точнее связывать поведенческие акты с активностью конкретных нейронных цепей и отдельных клеток мозга.

Новая программа не только ускорит исследования нейробиологии поведения, но и позволит сравнивать и согласовывать результаты разных лабораторий, которые могут расходиться из-за различий в методах наблюдения, анализа и классификации поведения. Подход позволяет лабораториям разрабатывать свои поведенческие протоколы, но при этом делает возможным объективное сравнение результатов исследований, использующих разные методы.

Исследование, описывающее программу, опубликовано в журнале Nature Neuroscience. Старшими авторами работы являются Сэм Голден и Саймон Нильссон. Первый автор — Настейша Гудвин.

Проблема субъективности в наблюдении

Изучение нейронной активности, лежащей в основе поведения животных, привело к значительным успехам в понимании и лечении таких расстройств у человека, как зависимость, тревожность и депрессия. Многое в этой работе основано на наблюдениях, которые исследователи вручную фиксируют, отмечая физические реакции животных на разные ситуации, а затем коррелируя это поведение с изменениями в активности мозга.

Аннотирование и классификация такого поведения — кропотливая и длительная задача. Социальное поведение очень сложное, происходит очень быстро и часто нюансировано, поэтому многие его компоненты могут быть упущены при наблюдении человеком.

Автоматизация с помощью ИИ

Для автоматизации этого процесса были разработаны системы на базе ИИ, которые отслеживают компоненты поведения животного и автоматически классифицируют его, например, как агрессивное или подчиненное. Поскольку эти программы могут записывать детали гораздо быстрее человека, действие с большей вероятностью можно тесно соотнести с нейронной активностью, которая обычно происходит за миллисекунды.

Одна из таких программ, разработанная Нильссоном и Гудвин, называется SimBA (Simple Behavioral Analysis). Это программа с открытым исходным кодом и удобным графическим интерфейсом, не требующая специальных компьютерных навыков. Она получила широкое распространение среди ученых, изучающих поведение, и используется в самых разных лабораториях — от работы с грызунами до исследований ос, мотыльков и рыб-зебр.

Выявление причины расхождений в результатах

Однако по мере распространения таких программ выяснилось, что похожие эксперименты дают совершенно разные результаты. Стало очевидно, что определение поведения любой отдельной лабораторией или человеком довольно субъективно, даже при попытке воспроизвести известные процедуры. Учесть эти различия было сложно, потому что часто неясно, как системы ИИ приходят к своим результатам — их расчеты происходят в так называемом «черном ящике».

Решение: объяснимый ИИ (XAI)

Чтобы объяснить эти различия, Гудвин и Нильссон внедрили в SimBA подход машинного обучения для объяснимости (explainable AI, XAI), который производит оценку SHAP (Shapely Additive exPlanations).

По сути, этот подход определяет, как удаление одного признака, используемого для классификации поведения (например, подрагивания хвоста), изменяет вероятность точного предсказания компьютером. Удаляя разные признаки из тысяч различных комбинаций, SHAP может определить, какой вклад в прогностическую силу вносит каждый отдельный признак, используемый в алгоритме, классифицирующем поведение. Комбинация этих значений SHAP затем количественно определяет поведение, устраняя субъективность в поведенческих описаниях.

Значение для науки

Теперь исследователи могут сравнивать поведенческие протоколы разных лабораторий с помощью SimBA и объективно определять, наблюдают ли они одно и то же поведение или разное.

Этот подход позволяет лабораториям разрабатывать эксперименты по своему усмотрению, но поскольку теперь можно напрямую сравнивать поведенческие результаты лабораторий, использующих разные определения поведения, можно делать более четкие выводы из их результатов. Ранее противоречивые нейронные данные можно было объяснить множеством confounding-факторов, а теперь можно четко исключить поведенческие различия, стремясь к воспроизводимости и интерпретируемости результатов между лабораториями.