Что хотят животные? Команда расшифровала поведенческие стратегии с помощью машинного обучения

Ученые разработали новый подход к пониманию предпочтений животных, и результаты могут дать больше информации о принятии решений у людей.

В реальном мире редко бывает ясно, что является вознаграждением и как это может мотивировать поведение. В статье в PLOS Computational Biology команда ученых из Высшей школы биологических исследований Киотского университета описывает, как черви оценивают потенциальное вознаграждение, изучая их движения.

«Современные поведенческие модели основаны на известных вознаграждениях, поэтому мы не можем использовать их для изучения свободно ведущих себя животных», — объясняет ведущий автор Шоичиро Ямагучи. «Мы поняли, что нужно рассмотреть обратный случай и точнее определить ценность вознаграждения на основе поведения организма».

Команда наблюдала за термочувствительными червями, которые искали пищу на поверхностях с разными температурными зонами, применяя метод машинного обучения, чтобы понять, как потенциальное пищевое вознаграждение направляет их движения.

Черви, которых сначала кормили при определенной температуре, при перемещении на пластину с диапазоном температур двигались к этой температурной зоне. Напротив, черви, которых морили голодом при определенной температуре, при перемещении уходили от этой зоны.

Модель команды показала, что сытые черви ощущали не только температуру окружающей среды, но и изменение температуры при движении по разным зонам. Черви объединяли эти ощущения в поведенческую стратегию, чтобы достичь пищи с минимальными затратами энергии, что сопоставимо с рациональным принятием решений у людей.

Интересно, что голодные черви основывали свои движения только на температуре окружающей среды, чтобы уйти из температурных зон, которые они считали маловероятными для нахождения пищи.

«Наш подход точно воспроизводит это простое поведение червей и дает гораздо более глубокое понимание его основного механизма, — поясняет старший научный сотрудник Хонда Наоки. — Сочетание нашего подхода с неврологическими измерениями свободно ведущих себя животных может помочь нам лучше понять суть принятия решений у высших животных, а также направить разработки в области искусственного интеллекта».