Badania neurobiologiczne z wykorzystaniem ryby zebrafisz od zawsze opierały się na obserwacji zachowania. Ruch larw, społeczne interakcje dorosłych osobników, reakcje na nagłe bodźce oraz zmiany w wzorcach pływania wywołane lekami stanowią okno do zrozumienia funkcjonowania mózgu. Problem polega na tym, że obserwacja przez człowieka nie skaluje się. Pojedynczy eksperyment może generować godziny materiału wideo obejmujące dziesiątki ryb. Ręczne ocenianie jest powolne, podmiotowe i podatne na zmęczenie. Dwóch przeszkolonych obserwatorów oglądających ten sam fragment wideo może nie zgadzać się co do momentu rozpoczęcia ruchu lub sposobu klasyfikacji skrętu. Takie rozbieżności stają się szumem w danych, a szum jest kosztowny, gdy badany efekt jest niewielki.
Co rzeczywiście mierzą systemy analizy zachowania oparte na sztucznej inteligencji
System analizy zachowania oparty na sztucznej inteligencji nie tylko zlicza ruchy. Tworzy numeryczne przedstawienie zachowania na podstawie surowych danych wideo lub śledzenia. Potok przetwarzania zwykle rozpoczyna się od estymacji pozycji ciała (pose estimation), w której model identyfikuje kluczowe punkty, takie jak głowa, ogon i środek masy każdego rybka. Następnie wyodrębniane są cechy: prędkość, przyspieszenie, kąt skrętu, odległość między rybkami, czas zastygnięcia (freezing duration) oraz częstotliwość epizodów ruchu (bout frequency). Niektóre systemy idą dalej i klasyfikują zachowanie do dyskretnych kategorii, takich jak podejście (approach), unikanie (avoidance) lub agresja (aggression). Wynikiem jest szereg czasowy, który można zsynchronizować z zapisami aktywności neuronalnej, podaniem leku lub modyfikacją genetyczną. To właśnie ta synchronizacja stanowi prawdziwą moc takiego systemu.
Jak rozdzielczość w skali milisekund zmienia projekt eksperymentu
Tradycyjne ocenianie może określać zachowanie z dokładnością do najbliższej sekundy, a czasem nawet mniej. Systemy sztucznej inteligencji potrafią śledzić zachowanie z częstotliwością klatek, zwykle od 30 do 100 klatek na sekundę. Taka rozdzielczość ujawnia zdarzenia, które wcześniej były niewidoczne. Odpowiedź zaskoczenia trwająca 50 milisekund, krótkie zatrzymanie się przed skrętem lub subtelna zmiana częstotliwości ruchów ogona stają się teraz mierzalne. Projektowane eksperymenty, które kiedyś wymagały tysięcy ryb, aby wykryć niewielki efekt, można teraz czasem przeprowadzać na mniejszej liczbie zwierząt, ponieważ dane behawioralne są bogatsze i mniej zakłócone. To nie jest tylko ulepszenie techniczne – zmienia ono pytania, jakie można zadawać. Na przykład badacze analizujący modele padaczki mogą dziś ilościowo określić napady przypominające padaczkę u larw danio pręgowanego z precyzją, która nie była możliwa jeszcze dziesięć lat temu. Taka precyzja przekształca zachowanie w ilościowy fenotyp, a nie tylko opisowy.
| Funkcja | Ręczna obserwacja | Analiza behawioralna sterowana przez sztuczną inteligencję |
|---|---|---|
| Rozdzielczość Czasowa | Zwykle 1 sekunda lub mniej precyzyjnie | Częstotliwość klatek, zwykle od 30 do 100 Hz |
| Konsekwencja | Zmienia się w zależności od obserwatora i jego zmęczenia | Stały model, ten sam wynik przy każdym uruchomieniu |
| Wymiarowość cech | Kilka kategorii ocenianych ręcznie | Dziesiątki cech ciągłych i dyskretnych |
| Skalowalność | Liniowa względem liczby godzin pracy człowieka | Prawie stała po skonfigurowaniu |
| Wrażliwość na subtelne efekty | Ograniczona | Wyższa, ze względu na zmniejszone zakłócenia |
Przypadek zastosowania w obiekcie, w którym algorytm wykrył to, czego oko nie dostrzegło
Laboratorium neurobiologii testowało związek chemiczny, który miał zmniejszać zachowania podobne do lęku u dorosłych danio pręgowanych. Wyniki oceny ręcznej wskazywały na pewną tendencję, ale nie była ona statystycznie istotna. Zespół przetworzył te same nagrania w systemie analizy zachowania opartym na sztucznej inteligencji. System nie tylko potwierdził tę tendencję, lecz także wykazał, że ryby poddane leczeniu spędzały więcej czasu w środkowej części zbiornika – jednak wyłącznie w pierwszych pięciu minutach po zmianie oświetlenia. Ocena ręczna uśredniała dane przez cały czas trwania eksperymentu, co zatarło ten efekt. System oparty na sztucznej inteligencji dostarczył szczegółowego, rozdzielczego w czasie obrazu działania, wskazując na konkretny okres jego występowania. To odkrycie doprowadziło do kolejnego eksperymentu przeprowadzonego w krótszym przedziale czasowym i dało jednoznaczniejsze rezultaty. Algorytm nie zastąpił naukowców – pomógł im sformułować lepsze pytanie badawcze.
Integracja danych i powtarzalność badań: od nagrania wideo do analizy statystycznej
Jedną z cichszych zalet analizy zachowań opartej na sztucznej inteligencji jest odtwarzalność. Gdy model zostanie wytrenowany i zweryfikowany, generuje on takie same wyniki dla tych samych danych wejściowych. Ta spójność ułatwia porównywanie wyników między eksperymentami, laboratoriami, a nawet przez lata. Wiele systemów eksportuje teraz dane w standardowych formatach, które można bezpośrednio importować do oprogramowania statystycznego lub potoków przetwarzania danych neuronowych. Niektóre platformy obsługują przetwarzanie w chmurze, co pozwala wielu laboratoriom analizować dane przy użyciu tej samej wersji modelu. Jest to istotna zmiana. W przeszłości dane behawioralne były często zamknięte w arkuszach kalkulacyjnych specyficznych dla danego laboratorium, z niestandardowymi zasadami punktowania. Obecnie mogą być one udostępniane, ponownie analizowane oraz poddawane metaanalizie.
Ograniczenia uniemożliwiające sztucznej inteligencji zastąpienie neurobiologa
Temptujące jest traktowanie analizy zachowań opartej na sztucznej inteligencji jako czarnego pudełka rozwiązującego wszystko. Nie jest to prawdą. Wydajność modelu zależy w dużej mierze od jakości danych treningowych. Jeśli zestaw treningowy nie obejmuje danego szczepu, wieku lub warunków oświetlenia występujących w nowym eksperymencie, model może zawieść w sposób subtelny. Śledzenie może ulec zakłóceniom, gdy ryby nachodzą na siebie lub gdy odbicia mylą kamerę. Schematy klasyfikacji zachowań nie są uniwersalne. Kategoria taka jak «agresja» może wyglądać inaczej w różnych kontekstach. Żaden algorytm nie potrafi określić, czy ryba jest chora, ranna czy po prostu reaguje na zmianę temperatury. Najskuteczniejsze przepływy pracy łączą analizę AI z regularną obserwacją przez człowieka. Algorytm zajmuje się powtarzalnymi pomiarami ilościowymi, a człowiek — interpretacją i kontrolą dobrostanu.
Dlaczego stabilność sprzętu ma takie samo znaczenie jak model
Analiza zachowań oparta na sztucznej inteligencji jest tylko tak dobra, jak jakość otrzymywanych obrazów wideo. Model wytrenowany na wyraźnych, dobrze oświetlonych nagraniach będzie miał problemy z rozmytymi klatkami o niestabilnym oświetleniu. Oznacza to, że wybór aparatu, projektowanie oświetlenia oraz geometria zbiornika są częścią ustawienia eksperymentalnego, a nie czymś, co dopiero później się rozważa. Wibracje pochodzące od pomp, skraplanie się na soczewkach oraz niestałe częstotliwości klatek pogarszają jakość śledzenia. Dla laboratoriów prowadzących długotrwałe badania niezawodność sprzętu obrazowego często decyduje o tym, czy zebrany po miesiącach zestaw danych będzie nadawał się do analizy. Hunter Lab działa po stronie producentów w tej ekosystemie sprzętu. Firma koncentruje się na spójnej produkcji, doborze materiałów oraz niezawodności łańcucha dostaw dla akwaryjnych systemów laboratoryjnych. Taka dyscyplina produkcyjna ma znaczenie kluczowe, gdy projekt z zakresu neurologii zależy przez wiele tygodni od stabilnego obrazu wideo.