Машинное обучение встречается с поведенческой нейронаукой: путь к более точному фенотипированию
Новая компьютерная программа позволяет учёным наблюдать за поведением нескольких животных одновременно и в течение длительного времени, автоматически анализируя их движения. Это открывает путь к надёжной и доступной стандартизации и оценке таких сложных наблюдений.
Ранние этапы поведенческих исследований заключались в простом наблюдении и записи. Лабораторные условия добавили стандартизацию, но имели ограничения: среда, количество животных и длительность наблюдений не соответствовали сложности естественного поведения.
Наблюдение за поведением животных помогает не только понять реакцию видов на стимулы, но и точнее определить психические расстройства у людей для улучшения индивидуализированного лечения.
Несколько лет назад прорыв с открытым инструментарием DeepLabCut позволил не просто отслеживать центр тела животных, но и автоматически детектировать сложную позу нескольких животных в естественных средах. Однако захват позы — это ещё не анализ поведения.
Связь движения с поведением
Две исследовательские группы из Института психиатрии Общества Макса Планка под руководством Матиаса В. Шмидта и Бертрама Мюллера-Мизока взялись за эту задачу. Они разработали Python-пакет DeepOF, который связывает положение маркеров на теле с течением времени с поведенческими паттернами. Это позволяет детально анализировать поведение мышей в полуестественной среде на любом временном отрезке.
Используются два подхода:
- Контролируемый анализ: поведение предопределяется на основе поз тела во времени, данные можно напрямую читать и анализировать.
- Неконтролируемый анализ: программа сама ищет схожие поведенческие эпизоды и классифицирует их.
"Этот подход открывает совершенно новые измерения, позволяя проводить автоматизированное, свободное от гипотез исследование сложного социального поведения", — отмечает биолог Матиас Шмидт.
Такой инструмент поднимает поведенческую биологию по уровню сложности до методов молекулярного или функционального биологического анализа.
"В будущем мы сможем лучше комбинировать наши результаты с другими измерениями, такими как данные ЭЭГ, нейронной активности или биосенсоров", — сообщает биолог Йери Бордес.
Программа DeepOF является частью философии открытой науки: она свободно доступна для исследователей по всему миру, её код открыт, и каждый может внести вклад в проект.
Журнал Nature Communications опубликовал исследование команд, что служит независимым знаком качества. Тщательные обзоры кода и функциональности также были проведены Journal of Open Source Software (JOSS).
Программа также способствует улучшению благополучия животных, так как позволяет сократить количество экспериментов.
В конечном счёте, детальный анализ поведения в этом новом измерении представляет собой значительный шаг к лучшему переводу данных для изучения человеческих болезней и их лечения.