Новый метод на основе ИИ позволяет сократить число мышей в экспериментах и повысить их благополучие
Исследователи из группы профессора Института нейробиологии ETH Zurich Йоханнеса Бохачека разработали метод, значительно продвигающий анализ поведения мышей. Работа опубликована в журнале Nature Methods.
Автоматизация и проблема данных
Метод использует автоматический анализ поведения с помощью машинного зрения и искусственного интеллекта. Мышей снимают на видео, а записи анализируются автоматически. Хотя в большинстве лабораторий анализ поведения по-прежнему требует многих дней ручной работы, передовые лаборатории перешли на эффективные автоматизированные методы.
Одна из возникающих проблем — огромные массивы данных. Чем больше данных и измерений, тем выше риск быть введенным в заблуждение артефактами (например, когда автоматический процесс классифицирует поведение как значимое, хотя это не так). Статистическое решение этой дилеммы — тестирование большего числа животных, чтобы нивелировать артефакты.
Решение: меньшие группы, более значимые результаты
Новый метод исследователей ETH позволяет получать значимые результаты и распознавать тонкие различия в поведении даже в меньшей группе животных. Это помогает сократить число животных в экспериментах и повысить значимость каждого отдельного эксперимента.
Метод поддерживает принципы 3R (замена, сокращение, усовершенствование), которых придерживается ETH Zurich и другие исследовательские институты.
Фокус на стабильности поведения
Метод использует не только множество изолированных, специфических паттернов поведения животных (например, вставание на задние лапы от любопытства, движение вдоль стен клетки при осторожности), но и уделяет пристальное внимание переходам от одного поведения к другому.
Переходы между паттернами информативны: животное, быстро и часто переключающееся между определенными паттернами, может быть нервным, напряженным. Напротив, расслабленное или уверенное животное часто демонстрирует стабильные паттерны и переключается между ними менее резко. Метод математически объединяет эти сложные переходы в одно значимое значение, что делает статистический анализ более надежным.
Улучшенная сравнимость и применение
Профессор Бохачек, нейробиолог и исследователь стресса, изучает процессы в мозге, определяющие, насколько хорошо животное справляется со стрессовыми ситуациями.
«Если с помощью поведенческого анализа мы сможем определить или, что еще лучше, предсказать, насколько хорошо отдельная особь справляется со стрессом, мы сможем изучить конкретные механизмы в мозге, которые играют в этом роль», — говорит он.
С помощью нового метода команда ETH уже смогла выяснить, как мыши реагируют на стресс и определенные лекарства. Благодаря статистическим методам можно распознать даже тонкие различия между отдельными животными. Например, исследователям удалось показать, что острый и хронический стресс по-разному меняют поведение мышей, и эти изменения связаны с разными механизмами в мозге.
Новый подход также повышает стандартизацию тестов, позволяя лучше сравнивать результаты различных экспериментов, даже проведенных разными исследовательскими группами.
Содействие благополучию животных в исследованиях
«Когда мы используем искусственный интеллект и машинное обучение для анализа поведения, мы вносим вклад в более этичные и эффективные биомедицинские исследования», — говорит Бохачек.
Его команда уже несколько лет занимается исследованиями в духе 3R и создала для этого 3R Hub в ETH Zurich. Цель Hub — положительно влиять на благополучие животных в биомедицинских исследованиях.
«Новый метод — первый большой успех ETH 3R Hub. И мы им гордимся», — говорит Оливер Штурман, руководитель Hub и соавтор исследования.
3R Hub теперь помогает сделать новый метод доступным для других исследователей в ETH и за его пределами, предоставляя практическую поддержку для внедрения таких подходов.