Zebrazivju neirozinātnes pētījumi vienmēr ir balstījušies uz uzvedību. Lārvu kustība, pieaugušo sociālās mijiedarbības, baiļu reakcijas un zāļu izraisītas peldēšanas paraugu izmaiņas ir visi logi uz smadzeņu funkcijām. Problēma ir tāda, ka cilvēka novērojums nav mērogojams. Viena eksperimenta rezultātā var tikt iegūti stundām ilgi video materiāli ar desmitiem zivju. Manuālā vērtēšana ir lēna, subjektīva un jutīga pret nogurumu. Divi apmācīti novērotāji, skatot vienu un to pašu video fragmentu, var nesaskaņoties par to, kad sākas kustības cikls vai kā klasificēt pagriezienu. Šīs nesaskaņas kļūst par troksni datu kopā, un troksnis ir dārgs, ja pamatā esošais efekts ir neliels.
Ko patiesībā mēra AI vadītās uzvedības analīzes sistēmas
AI vadīta uzvedības analīzes sistēma ne tikai skaita kustības. Tā no neapstrādātiem video vai izsekošanas datiem veido skaitlisku uzvedības attēlojumu. Datu apstrādes procesa pirmajā posmā parasti notiek ķermeņa pozīcijas noteikšana, kur modelis identificē galvenos punktus, piemēram, zivs galvu, asti un centru. Pēc tam tiek izvilktas pazīmes: ātrums, paātrinājums, pagrieziena leņķis, attālums starp zivīm, stāvēšanas ilgums un kustību biežums. Dažas sistēmas iet vēl tālāk un klasificē uzvedību diskrētās kategorijās, piemēram, tuvošanās, izvairīšanās vai agresija. Rezultāts ir laika rinda, ko var sinhronizēt ar neironu ierakstiem, zāļu lietošanu vai ģenētisko manipulāciju. Tieši šī sinhronizācija nodrošina patieso jaudu.
Kā milisekunžu izšķirtspēja maina eksperimentālā dizaina veidošanu
Tradicionālā vērtēšana var noteikt uzvedību līdz tuvākajai sekundei, ja vispār. AI sistēmas var reģistrēt ar kadrēšanas ātrumu — parasti 30–100 kadri sekundē. Šāda izšķirtspēja atklāj notikumus, kas iepriekš bija neiespējami redzami. Piemēram, 50 milisekundžu ilgs satricinājuma reflekss, īss apstāšanās brīdis pirms pagrieziena vai sīka astes sitiena frekvences maiņa kļūst mērāmi. Eksperimentālie dizaini, kuros agrāk bija nepieciešami tūkstošiem zivju, lai konstatētu nelielu efektu, dažreiz tagad var tikt veikti ar mazāku dzīvnieku skaitu, jo uzvedības rādītāji ir bagātīgāki un mazāk trokšņaini. Tas nav vienkārši tehnisks uzlabojums. Tas maina jautājumus, kurus var uzdot. Piemēram, pētnieki, kas pēta epilepsijas modeļus, tagad var kvantitatīvi novērtēt līdzīgus krampjiem impulsus zivju kāpuru stadijā ar precizitāti, kas pirms desmit gadiem nebija iespējama. Šāda precizitāte pārvērš uzvedību par kvantitatīvu fenotipu, nevis tikai aprakstošu.
| Funkcija | Manuāla novērošana | AI vadīta uzvedības analīze |
|---|---|---|
| Laika rezolūcija | Parasti 1 sekunde vai rupjāk | Kadrēšanas ātrums, parasti 30–100 Hz |
| Konsistence | Mainās atkarībā no novērotāja un noguruma | Fiksēta modeļa versija, katrā izpildē vienāds rezultāts |
| Funkciju dimensiju skaits | Dažas ar roku novērtētas kategorijas | Desmiti nepārtrauktu un diskrētu funkciju |
| Masstabējamība | Lineāri atkarīgi no cilvēku stundām | Gandrīz nemainīgs pēc iestatīšanas |
| Jutīgums sīkām ietekmēm | Ierobežotas | Augstāks, jo samazināts troksnis |
Vidusskolas piemērs, kur algoritms redzēja to, ko acs nepamanīja
Neirozinātnes laboratorija testēja savienojumu, kas, kā sagaidīts, samazinās līdzīgu trauksmei uzvedību pieaugušajiem zebrafish. Manuālie novērtējumi parādīja tendenci, taču tā nebija statistiski nozīmīga. Komanda ievadīja tās pašas video AI vadītā uzvedības analīzes sistēmā. Šī sistēma ne tikai apstiprināja tendenci, bet arī atklāja, ka ārstotie zivju eksemplāri vairāk laika pavadīja akvārija centrā, tomēr tikai pirmajās piecās minūtēs pēc gaismas maiņas. Manuālais novērtējums bija veikts visā eksperimenta laikā, tādējādi izslēdzot šo efektu. AI sistēma sniedza laika atkarīgu skatu, kas norādīja uz konkrētu darbības logu. Šis atklājums noveda pie papildu eksperimenta ar stingrāku laika grafiku un skaidrākiem rezultātiem. Algoritms neaizvietoja zinātniekus, bet gan palīdzēja tiem uzdot labāku jautājumu.
Datnu integrācija un reproducējamība: no video līdz statistikai
Viens no klusākajiem priekšrocības AI vadītās uzvedības analīzes jomā ir atkārtojamība. Kad modelis ir apmācīts un validēts, tas vienmēr rada vienu un to pašu izvadi vienādiem ievaddatiem. Šī vienveidība padara vieglāku salīdzināt rezultātus starp eksperimentiem, laboratorijām un pat gadiem. Dažas sistēmas tagad eksportē datus standarta formātos, kurus var tieši importēt statistikas programmatūrā vai neironu datu apstrādes caurulēs. Dažas platformas atbalsta apmākoņa apstrādi, kas ļauj vairākām laboratorijām analizēt datus, izmantojot vienu un to pašu modeļa versiju. Tas ir būtisks pārmaiņu moments. Pagātnē uzvedības dati bieži bija ieslēgti laboratorijām specifiskās elektroniskās tabulās ar pielāgotiem vērtēšanas noteikumiem. Tagad tos var koplietot, pāranalizēt un veikt metaanalīzi.
Ierobežojumi, kas neļauj AI aizstāt neirozinātnieku
Ir pievilcīgi uzskatīt AI vadīto uzvedības analīzi par melnu kasti, kas risina visus jautājumus. Tā nedarbojas. Modeļa veiktspēja ļoti lielā mērā ir atkarīga no apmācības datu kvalitātes. Ja apmācības kopā nav iekļauts jaunā eksperimenta zivju štams, vecums vai apgaismojuma apstākļi, modelis var neveikties sīkumos. Sekošana var sabrukt, kad zivis pārklājas vai kad atspulgi apgrūtina kameru. Uzvedības klasifikācijas shēmas nav universālas. Kategorija kā "uzbrukums" var izskatīties citādi dažādos kontekstos. Un neviens algoritms nevar noteikt, vai zivs ir slima, ievainota vai vienkārši reaģē uz temperatūras maiņu. Visefektīvākās darba plūsmas savieno AI analīzi ar regulāru cilvēka novērošanu. Algoritms veic monotonu kvantitatīvo analīzi. Cilvēks veic interpretāciju un labklājības pārbaudes.
Kāpēc aprīkojuma stabilitāte ir tikpat svarīga kā modelis
AI vadītā uzvedības analīze ir tik laba, cik labu video tā saņem. Modelis, kas ir apmācīts uz skaidriem, labi apgaismotiem attēliem, grūti tiks galā ar neskaidriem, nevienmērīgi apgaismotiem kadriem. Tas nozīmē, ka kameru izvēle, apgaismojuma konstruēšana un akvārija ģeometrija ir eksperimenta iestatījuma neatņemama daļa, nevis pēctekstis. Sūkņu izraisītās vibrācijas, lēcas uzklājums ar kondensātu un nestabili kadru biežumi visi pasliktina objektu sekotspēju. Ilgstošu pētījumu veikšanai laboratorijās attēlošanas aprīkojuma uzticamība bieži vien nosaka, vai datu kopu pēc mēnešiem ilgstošas vākšanas var izmantot. Hunter Lab strādā šī aprīkojuma ekosistēmas ražošanas pusē. Uzņēmums koncentrējas uz vienveidīgu ražošanu, materiālu izvēli un piegādes ķēdes uzticamību laboratorijas mēroga ūdens sistēmām. Šī ražošanas disciplīna ir svarīga, kad neirozinātnes projekts atkarīgs no stabila video iegūšanas nedēļām ilgi.