Forskning ledd av University of Plymouth har visat att en ny AI-modell för djupinlärning kan identifiera vad som händer och när under embryonal utveckling, från video.
Publicerad i Journal of Experimental Biology , studien, med titeln "Dev-ResNet:Automated developmental event detection using deep learning", belyser hur modellen, känd som Dev-ResNet, kan identifiera förekomsten av viktiga funktionella utvecklingshändelser hos dammsniglar, inklusive hjärtfunktion, krypning, kläckning och till och med döden.
En viktig innovation i den här studien är användningen av en 3D-modell som använder förändringar som sker mellan bildrutor i videon och gör det möjligt för AI att lära av dessa funktioner, i motsats till den mer traditionella användningen av stillbilder.
Användningen av video innebär att funktioner som sträcker sig från det första hjärtslaget, eller krypningsbeteende, till skalbildning eller kläckning detekteras på ett tillförlitligt sätt av Dev-ResNet, och har avslöjat känsligheten hos olika funktioner för temperatur som inte tidigare känts.
Medan den används i dammsniglembryon för denna studie, säger författarna att modellen har bred tillämpbarhet för alla arter, och de tillhandahåller omfattande skript och dokumentation för att tillämpa Dev-ResNet i olika biologiska system.
I framtiden kan tekniken användas för att påskynda förståelsen av hur klimatförändringar och andra yttre faktorer påverkar människor och djur.
Arbetet leddes av Ph.D. kandidat, Ziad Ibbini, som studerade BSc Conservation Biology vid universitetet, innan han tog ett år ut för att fördjupa sig i mjukvaruutveckling och sedan började sin doktorsexamen. Han designade, tränade och testade Dev-ResNet själv.
Han sa, "Att avgränsa utvecklingshändelser - eller att ta reda på vad som händer när ett djur är i tidiga utveckling - är så utmanande, men otroligt viktigt eftersom det hjälper oss att förstå förändringar i tidpunkten för händelser mellan arter och miljöer.
"Dev-ResNet är ett litet och effektivt 3D-konvolutionellt neuralt nätverk som kan upptäcka utvecklingshändelser med hjälp av videor och kan tränas relativt enkelt på konsumenthårdvara.
"De enda verkliga begränsningarna är att skapa data för att träna djupinlärningsmodellen – vi vet att den fungerar, du behöver bara ge den rätt träningsdata.
"Vi vill utrusta det bredare forskarsamhället med de verktyg som gör det möjligt för dem att bättre förstå hur en arts utveckling påverkas av olika faktorer, och på så sätt identifiera hur vi kan skydda dem. Vi tycker att Dev-ResNet är ett viktigt steg i den riktningen."
Dr. Oli Tills, tidningens seniorförfattare och en UKRI Future Leaders Research Fellow, tillade:"Denna forskning är viktig på en teknisk nivå, men den är också betydelsefull för att främja hur vi uppfattar organismutveckling - något som University of Plymouth, inom forskningsgruppen Ekofysiologi och utveckling, har mer än 20 års historia av forskning.
"Denna milstolpe hade inte varit möjlig utan djup inlärning, och det är spännande att tänka på vart denna nya förmåga kommer att leda oss i studiet av djur under deras mest dynamiska period av livet."
Mer information: Dev-ResNet:Automatiserad upptäckt av utvecklingshändelser med hjälp av djupinlärning, Journal of Experimental Biology (2024). DOI:10.1242/jeb.247046
Journalinformation: Journal of Experimental Biology
Tillhandahålls av University of Plymouth
