Výzkum neurovědy zebrafish se vždy opíral o chování. Pohyb larv, sociální interakce dospělých jedinců, reakce na náhlý podnět a změny plavání vyvolané léky jsou všechny ukazately funkce mozku. Problém je v tom, že lidská observace není škálovatelná. Jediný experiment může vygenerovat hodiny videa z desítek ryb. Ruční hodnocení je pomalé, subjektivní a náchylné k únavě. Dva vyškolení pozorovatelé sledující stejný záznam se mohou neshodnout například na začátku pohybového úseku nebo na klasifikaci obratu. Tyto neshody se promítají do dat jako šum, a šum je drahý, pokud je zkoumaný efekt malý.
Co systémy analýzy chování řízené umělou inteligencí ve skutečnosti měří
Systém pro analýzu chování řízený umělou inteligencí nepočítá pouze pohyby. Vytváří číselné vyjádření chování z nezpracovaných videozáznamů nebo dat o sledování. Zpracovatelský postup obvykle začíná odhadem pozice (pose estimation), kdy model identifikuje klíčové body, jako je hlava, ocas a těžiště každé ryby. Následně se extrahují vlastnosti: rychlost, zrychlení, úhel natočení, vzdálenost mezi jednotlivými rybami, doba ztuhnutí (freezing) a frekvence pohybových epizod (bout frequency). Některé systémy jenom dále chování klasifikují do diskrétních kategorií, například přiblížení, vyhýbání se nebo agrese. Výstupem je časová řada, kterou lze synchronizovat s neurologickými záznamy, podáním léku nebo genetickou manipulací. Právě tato synchronizace představuje skutečnou sílu systému.
Jak rozlišení v milisekundách mění návrh experimentu
Tradiční hodnocení může chování rozlišit nejvýše na nejbližší sekundu, případně i hůře. Systémy umělé inteligence dokážou sledovat chování ve snímkovací frekvenci, obvykle 30 až 100 snímků za sekundu. Toto rozlišení odhaluje události, které byly dříve neviditelné. Například reakce na náhlý podnět trvající 50 milisekund, krátká pauza před zatáčkou nebo jemná změna frekvence pohybů ocasu se stávají kvantifikovatelnými. Experimentální uspořádání, která dříve vyžadovala tisíce ryb k detekci malého účinku, lze nyní často provádět s menším počtem zvířat, protože chování poskytuje bohatší a méně šumový signál. Toto není pouze technické zlepšení – mění to i otázky, které lze klást. Například výzkumníci studující modely epilepsie nyní dokáží kvantifikovat záchvatové výbuchy u larválních zebrafish s přesností, která byla před deseti lety neproveditelná. Taková přesnost proměňuje chování v kvantitativní fenotyp, nikoli pouze popisný.
| Vlastnost | Ruční pozorování | Chování analyzované pomocí umělé inteligence |
|---|---|---|
| Časové rozlišení | Obvykle 1 sekunda nebo hrubší | Snímkovací frekvence, obvykle 30 až 100 Hz |
| Soudržnost | Záleží na pozorovateli a únavě | Pevný model, stejný výstup při každém spuštění |
| Rozměrnost vlastností | Několik kategorií ohodnocených ručně | Desítky spojitých a diskrétních vlastností |
| Škálovatelnost | Lineární vzhledem k lidským hodinám | Téměř konstantní po nastavení |
| Citlivost na jemné účinky | Omezené | Vyšší, díky sníženému šumu |
Případ zařízení, kdy algoritmus zaznamenal to, co uniklo lidskému oku
Neurovědecká laboratoř testovala sloučeninu, u níž se předpokládalo, že sníží úzkostné chování dospělých zebrafishů. Ruční hodnocení ukázalo určitý trend, avšak nebyl statisticky významný. Tým analyzoval stejné videozáznamy pomocí systému pro analýzu chování řízeného umělou inteligencí. Systém nejen potvrdil tento trend, ale také odhalil, že léčené ryby strávily více času ve středu akvária, a to pouze během prvních pěti minut po změně osvětlení. Ruční hodnocení průměrovalo celou dobu experimentu, čímž se účinek „vyplavil“. Systém umělé inteligence poskytl časově rozlišený pohled, který ukázal konkrétní časové okno účinku. Tento poznatek vedl k následnému experimentu s přesnějším časovým rozsahem a jasnějším výsledkem. Algoritmus nenahradil vědce – poskytl jim lepší otázku.
Integrace dat a reprodukovatelnost: od videa ke statistikám
Jednou z tišších výhod behaviorální analýzy řízené umělou inteligencí je reprodukovatelnost. Jakmile je model natrénován a ověřen, vytváří pro stejný vstup vždy stejný výstup. Tato konzistence usnadňuje srovnávání výsledků mezi experimenty, laboratořemi a dokonce i mezi lety. Mnoho systémů nyní exportuje data ve standardních formátech, které lze přímo použít ve statistickém softwaru nebo v potrubích pro analýzu neuronových dat. Některé platformy podporují zpracování v cloudu, což umožňuje více laboratořím analyzovat data se stejnou verzí modelu. Jedná se o významný posun. V minulosti byla behaviorální data často uvězněna v laboratorně specifických tabulkových souborech se vlastními pravidly pro hodnocení. Dnes je možné tato data sdílet, znovu analyzovat a provádět metaanalýzy.
Omezení, která brání umělé inteligenci v nahrazení neurovědce
Je lákavé považovat chování řízené umělou inteligencí za černou skříňku, která vyřeší všechno. Není to tak. Výkon modelu závisí velmi silně na kvalitě trénovacích dat. Pokud trénovací sada neobsahuje například daný kmen, věk nebo podmínky osvětlení nového experimentu, může model selhat subtilním způsobem. Sledování se může porušit, když se ryby překrývají nebo když odrazy matejí kameru. Schémata klasifikace chování nejsou univerzální. Kategorie jako například „agrese“ může v různých kontextech vypadat jinak. A žádný algoritmus nedokáže rozhodnout, zda je ryba nemocná, zraněná nebo pouze reaguje na změnu teploty. Nejúčinnější pracovní postupy kombinují analýzu pomocí umělé inteligence s pravidelným lidským pozorováním. Algoritmus zpracovává opakující se kvantifikaci. Člověk zajišťuje interpretaci a kontrolu welfare.
Proč je stabilita hardwaru stejně důležitá jako model
Analýza chování řízená umělou inteligencí je tak dobrá, jak dobré je video, které obdrží. Model trénovaný na ostrém, dobře osvětleném záznamu bude mít potíže s rozmazanými snímky a nerovnoměrně osvětlenými snímky. Výběr kamery, návrh osvětlení a geometrie nádrže se proto stávají součástí experimentálního nastavení, nikoli dodatečným přemýšlením. Vibrace z čerpadel, kondenzace na objektivech a neustálé snímkové frekvence všechny zhoršují sledování. Pro laboratoře provádějící dlouhodobé studie často spolehlivost zobrazovacího zařízení rozhoduje o tom, zda bude datová sada použitelná po měsících sběru. Hunter Lab pracuje na výrobní straně tohoto ekosystému zařízení. Společnost se zaměřuje na konzistentní výrobu, výběr materiálů a spolehlivost dodavatelského řetězce pro akvatické systémy v laboratorním měřítku. Tato výrobní disciplína má význam, pokud neurovědní projekt závisí na stabilním videu po týdny.