Artificiell intelligensmjukvara har utvecklats för att snabbt analysera djurs beteende så att beteenden kan kopplas mer exakt till aktiviteten hos enskilda hjärnkretsar och neuroner, rapporterar forskare i Seattle.
"Programmet lovar inte bara att påskynda forskningen om beteendets neurobiologi, utan också att möjliggöra jämförelse och förena resultat som inte stämmer överens på grund av skillnader i hur enskilda laboratorier observerar, analyserar och klassificerar beteenden", säger Sam Golden, biträdande professor i biologisk struktur vid University of Washington School of Medicine.
"Tillvägagångssättet gör det möjligt för laboratorier att utveckla beteendeprocedurer hur de vill och gör det möjligt att göra generella jämförelser mellan resultaten från studier som använder olika beteendemetoder," sa han.
En artikel som beskriver programmet visas i tidskriften Nature Neuroscience . Golden och Simon Nilsson, postdoktor i Golden lab, är tidningens seniorförfattare. Den första författaren är Nastacia Goodwin, en doktorand i labbet.
Studiet av den neurala aktiviteten bakom djurens beteende har lett till stora framsteg i förståelsen och behandlingen av sådana mänskliga störningar som missbruk, ångest och depression.
Mycket av detta arbete är baserat på observationer som noggrant registrerats av enskilda forskare som tittar på djur i labbet och noterar deras fysiska reaktioner på olika situationer, och sedan korrelerar det beteendet med förändringar i hjärnaktivitet.
Till exempel, för att studera aggressionens neurobiologi, kan forskare placera två möss i ett slutet utrymme och registrera tecken på aggression. Dessa inkluderar vanligtvis observationer av djurens fysiska närhet till varandra, deras hållning och fysiska uppvisningar som snabba ryckningar eller skramlande i svansen.
Att kommentera och klassificera sådana beteenden är en krävande, utdragen uppgift. Det kan vara svårt att noggrant känna igen och krönika viktiga detaljer, sa Golden. "Socialt beteende är mycket komplicerat, sker väldigt snabbt och är ofta nyanserat, så många av dess komponenter kan gå förlorade när en individ observerar det."
För att automatisera denna process har forskare utvecklat AI-baserade system för att spåra komponenter i ett djurs beteende och automatiskt klassificera beteendet, till exempel som aggressivt eller undergivent.
Eftersom dessa program också kan spela in detaljer snabbare än en människa, är det mycket mer sannolikt att en handling kan vara nära korrelerad med neural aktivitet, som vanligtvis sker på millisekunder.
Ett sådant program, utvecklat av Nilsson och Goodwin, heter SimBA, för enkel beteendeanalys. Programmet med öppen källkod har ett lättanvänt grafiskt gränssnitt och kräver inga speciella datorkunskaper för att använda. Det har antagits allmänt av beteendevetare.
"Även om vi byggde SimBA för ett gnagarlabb började vi genast få e-postmeddelanden från alla typer av labb:getinglabb, mallabb, zebrafisklabb", sa Goodwin.
Men när fler laboratorier använde dessa program, fann forskarna att liknande experiment gav mycket olika resultat.
"Det blev uppenbart att hur ett labb eller en person definierar beteende är ganska subjektivt, även när man försöker replikera välkända procedurer," sa Golden.
Dessutom var det svårt att redogöra för dessa skillnader eftersom det ofta är oklart hur AI-system kommer fram till sina resultat, deras beräkningar sker i vad som ofta karakteriseras som "en svart låda."
I hopp om att förklara dessa skillnader införlivade Goodwin och Nilsson i SimBA en maskininlärningsförklaringsmetod som producerar vad som kallas Shapely Additive ExPlanations (SHAP)-poängen.
Vad denna förklaringsmetod gör är att avgöra hur en funktion som används för att klassificera ett beteende, t.ex. svansras, ändrar sannolikheten för en korrekt förutsägelse av datorn.
Genom att ta bort olika funktioner från tusentals olika kombinationer kan SHAP bestämma hur mycket prediktiv styrka som tillhandahålls av varje enskild funktion som används i algoritmen som klassificerar beteendet. Kombinationen av dessa SHAP-värden definierar sedan beteendet kvantitativt, vilket tar bort subjektiviteten i beteendebeskrivningar.
"Nu kan vi jämföra (olika labbs) respektive beteendeprotokoll med SimBA och se om vi tittar, objektivt, på samma eller olika beteende," sa Golden.
"Det här tillvägagångssättet gör det möjligt för laboratorier att designa experiment hur de vill, men eftersom du nu direkt kan jämföra beteenderesultat från laboratorier som använder olika beteendedefinitioner, kan du dra tydligare slutsatser mellan deras resultat. Tidigare kunde inkonsekventa neurala data ha tillskrivits många förvirrar, och nu kan vi helt och hållet utesluta beteendeskillnader när vi strävar efter reproducerbarhet och tolkning mellan laboratorier, säger Golden..
Mer information: Nastacia L. Goodwin et al, Simple Behavioral Analysis (SimBA) som en plattform för förklarlig maskininlärning inom beteende neurovetenskap, Nature Neuroscience (2024). DOI:10.1038/s41593-024-01649-9
Journalinformation: Naturneurovetenskap
Tillhandahålls av University of Washington School of Medicine
