دانشمندان دانشگاه میشیگان یک نرم افزار منبع باز، کاربرپسند و مبتنی بر هوش مصنوعی به نام LabGym توسعه داده اند که تجزیه و تحلیل رفتار حیوانات را در سیستم های مدل های مختلف به طور خودکار انجام می دهد و می تواند برای دانشمندان در سراسر طیف علوم پایه و توسعه داروها مفید باشد.
یافته ها در مقاله “LabGym: کمی سازی رفتارهای حیوانی تعریف شده توسط کاربر با استفاده از ارزیابی جامع مبتنی بر یادگیری” در مجله منتشر شد. روش های گزارش سلولی در 24 فوریه
اندازه گیری رفتار حیوانات در درک فرآیندهای عصبی اساسی و همچنین ارزیابی اثرات درمانی و نامطلوب داروها مفید است. بینگ یه، دکترا، استاد علوم زیستی در دانشگاه میشیگان، و تیمش حرکات و رفتارها را در ارگانیسم مدل تجزیه و تحلیل می‌کنند. مگس سرکه ملانوگاستر (مگس میوه) برای درک مکانیسم های دخیل در رشد و عملکرد سیستم عصبی در انسان.
«رفتار تابعی از مغز است. بنابراین، تجزیه و تحلیل رفتار حیوانات اطلاعات ضروری در مورد نحوه عملکرد مغز و تغییر آن در پاسخ به بیماری ارائه می دهد.
تشخیص و امتیاز دادن به جنبه های رفتار حیوانات به صورت دستی خسته کننده، زمان بر و مستعد خطای انسانی است. چند برنامه وجود دارد که ارزیابی کمی رفتارهای حیوانات را خودکار می کند، اما چالش هایی را ایجاد می کنند.
Ye گفت: “بسیاری از این برنامه های تحلیل رفتار مبتنی بر تعاریف از پیش تعیین شده یک رفتار هستند.” برای مثال، اگر لارو مگس سرکه 360 درجه بغلتد، برخی از برنامه ها یک رول را حساب می کنند. اما چرا 270 درجه نیز رول نیست؟ بسیاری از برنامه‌ها لزوماً انعطاف‌پذیری لازم برای شمارش آن را ندارند، بدون اینکه کاربر بداند چگونه برنامه را دوباره کدنویسی کند.»
وادار کردن برنامه به فکر کردن مانند یک دانشمند
برای غلبه بر این چالش ها، هو و همکارانش تصمیم گرفتند برنامه جدیدی طراحی کنند که فرآیند شناختی انسان را با دقت بیشتری تکرار می کند – که بیشتر شبیه یک دانشمند “فکر می کند” – و برای زیست شناسانی که ممکن است در کدنویسی تخصص نداشته باشند، کاربرپسندتر است. با استفاده از LabGym، محققان می‌توانند نمونه‌هایی از رفتاری را که می‌خواهند تجزیه و تحلیل کنند وارد کنند و به نرم‌افزار آموزش دهند که چه چیزی باید حساب شود. سپس این برنامه از یادگیری عمیق برای بهبود توانایی خود در تشخیص و تعیین کمیت رفتار استفاده می کند.
LabGym از ترکیبی از داده های ویدئویی و “تصویر الگو” برای دستیابی به انعطاف پذیری شناختی و قابلیت اطمینان بهره برداری می کند. داده های سری زمانی به تنهایی، همانطور که از طریق ضبط ویدئویی به دست می آید، می تواند برای برنامه های هوش مصنوعی چالش برانگیز باشد. هو برای آموزش LabGym برای شناسایی بهتر رفتارها، تصاویری تولید کرد که الگوی حرکت حیوان را با ادغام خطوط کلی موقعیت حیوان در مقاطع زمانی مختلف به تصویر می‌کشد. ترکیب داده های ویدئویی با تصاویر الگو باعث افزایش دقت برنامه در تشخیص رفتارهای مختلف شد.
LabGym نه تنها چندین حیوان را به طور همزمان ردیابی می کند، بلکه به گونه ای طراحی شده است که اطلاعات پس زمینه نامربوط را نادیده بگیرد و هم حرکت کلی حیوان و هم تغییرات موقعیت در مکان و زمان را در نظر بگیرد.
بهبود انعطاف پذیری
یکی دیگر از مزایای LabGym انعطاف پذیری گونه ای آن است. با وجود اینکه با استفاده از مگس سرکه طراحی شده است، به هیچ گونه ای محدود نمی شود. Ye گفت: “این در واقع نادر است.” “این برای زیست شناسان نوشته شده است، بنابراین آنها می توانند بدون نیاز به مهارت های برنامه نویسی یا محاسبات پرقدرت، آن را با گونه ها و رفتاری که می خواهند مطالعه کنند، تطبیق دهند.”
دکتر کری فراریو، دانشیار فارماکولوژی، که مکانیسم‌های عصبی را مطالعه می‌کند که به اعتیاد و چاقی در مدل‌های موش کمک می‌کند، به Ye و تیمش کمک کرد تا برنامه را در سیستم مدل جوندگان آزمایش و اصلاح کنند. فراریو می‌گوید: «من از دوران تحصیلات تکمیلی سعی در حل این مشکل داشتم، و این فناوری از نظر هوش مصنوعی، یادگیری عمیق و محاسبات وجود نداشت. “این برنامه یک مشکل موجود را برای من حل کرد، اما ابزار واقعاً گسترده ای نیز دارد. من این پتانسیل را می بینم که در شرایط تقریباً نامحدود برای تجزیه و تحلیل رفتار حیوانات مفید باشد.”
در مطالعات آینده، تیم Ye’s قصد دارد این برنامه را برای بهبود عملکرد آن در شرایط پیچیده تر، مانند ارزیابی رفتار حیوانات در محیط های طبیعی، بیشتر اصلاح کند.