Výskum neurovedy o zebrafishoch sa vždy základil na správaní. Pohyb larválneho štádia, sociálne interakcie dospelých jedincov, reakcie na prekvapenie a zmeny plávacieho vzoru vyvolané liekmi sú všetky ukazovateľmi funkcie mozgu. Problém je v tom, že pozorovanie človekom nie je škálovateľné. Jeden experiment môže generovať hodiny videozáznamov z desiatok rýb. Manuálne hodnotenie je pomalé, subjektívne a zraniteľné voči únavy. Dvaja trénovaní pozorovatelia sledujúci ten istý záznam sa môžu nezhodnúť napríklad v tom, kedy začína pohybový úsek alebo ako klasifikovať obrat. Tieto nesúhlasnosti sa premieňajú na šum v dátach a šum je drahý, ak je základný efekt malý.
Čo skutočne merajú systémy behaviorálnej analýzy riadené umelej inteligenciou
Systém na analýzu správania riadený umelej inteligenciou nepočíta len pohyby. Vytvára číselnú reprezentáciu správania z neupravených videozáznamov alebo dát o sledovaní. Potrubie (pipeline) sa zvyčajne začína odhadom pózy, pri ktorom model identifikuje kľúčové body, ako je hlava, chvost a ťažisko každej ryby. Následne sa extrahujú vlastnosti: rýchlosť, zrýchlenie, uhol natočenia, vzdialenosť medzi rybami, trvanie zmrazenia (freezing) a frekvencia epizód (bout frequency). Niektoré systémy idú ďalej a klasifikujú správanie do diskrétnych kategórií, napríklad prístup, vyhýbanie sa alebo agresia. Výstupom je časová rada, ktorú možno zarovnať s neurologickými záznamami, podávaním liekov alebo genetickou manipuláciou. Práve táto zhoda (alignment) predstavuje skutočnú silu.
Ako rozlíšenie v milisekundách mení návrh experimentu
Tradičné hodnotenie správania môže určiť časové body najviac s presnosťou na najbližšiu sekundu, ak vôbec. Systémy umelej inteligencie dokážu sledovať pohyb v rámci snímkovacej frekvencie, často 30 až 100 snímkov za sekundu. Táto vyššia rozlíšiteľnosť odhaľuje udalosti, ktoré boli predtým neviditeľné. Reakcia na prekvapenie trvajúca 50 milisekúnd, krátka pauza pred zákrutou alebo jemná zmena frekvencie pohybov chvosta sa všetky stanú kvantifikovateľnými. Experimentálne návrhy, ktoré predtým vyžadovali tisíce rýb na zistenie malého účinku, sa niekedy dajú vykonať s menším počtom jedincov, pretože správanie poskytuje bohatší a menej šumový signál. Toto nie je len technické zlepšenie. Mení to aj otázky, ktoré sa dajú klásť. Napríklad výskumníci študujúci modely epilepsie teraz dokážu kvantifikovať záchvatové výbuchy u larválneho druhu rybičiek Danio rerio s presnosťou, ktorá bola pred desiatimi rokmi neprevediteľná. Takáto presnosť mení správanie na kvantitatívny fenotyp, nie len na popisný.
| Funkcia | Manuálne pozorovanie | Behaviorálna analýza riadená umeľou inteligenciou |
|---|---|---|
| Časové rozlíšenie | Zvyčajne 1 sekunda alebo hrubšie | Snímkovacia frekvencia, zvyčajne 30 až 100 Hz |
| Súlad | Závisí od pozorovateľa a únavy | Fixný model, rovnaký výstup pri každom spustení |
| Rozmernosť príznakov | Niekoľko kategórií ohodnotených ručne | Desiatky spojitých a diskrétnych príznakov |
| Škálovateľnosť | Lineárne vo vzťahu k ľudským hodinám | Takmer konštantné po nastavení |
| Citlivosť na jemné efekty | Obmedzené | Vyššia, v dôsledku zníženého šumu |
Prípad zariadenia, kde algoritmus zaznamenal to, čo ľudské oko prehliadlo
Neurovedecká laboratórium testovalo zlúčeninu, ktorá mala znížiť úzkostné správanie u dospelých zebrafishov. Ručné hodnotenie ukázalo určitý trend, avšak nebol štatisticky významný. Tím spracoval rovnaké videozáznamy prostredníctvom systému AI na analýzu správania. Systém nepotvrdil len tento trend – zistil, že liečené ryby strávili viac času v strede nádoby, avšak iba počas prvých piatich minút po zmene svetla. Ručné hodnotenie priemerovalo údaje počas celej relácie, čím sa účinok „vyplavil“. Systém AI poskytol časovo rozlíšený pohľad, ktorý ukázal konkrétne časové okno účinku. Tento záver viedol k ďalšiemu experimentu s presnejším časovým rámcom a jasnejším výsledkom. Algoritmus nehral úlohu vedcov – poskytol im lepšiu otázku.
Integrácia dát a reprodukovateľnosť: od videa po štatistiku
Jednou z tišších výhod behaviorálnej analýzy riadenej umeľnou inteligenciou je reprodukovateľnosť. Keď je model natrénovaný a overený, vždy vytvorí rovnaký výstup pre rovnaký vstup. Táto konzistencia zjednodušuje porovnávanie výsledkov medzi experimentmi, laboratóriami a dokonca aj rokmi. Mnohé systémy teraz exportujú údaje vo štandardných formátoch, ktoré sa priamo integrujú do štatistického softvéru alebo do potrubí na spracovanie neurálnych údajov. Niektoré platformy podporujú spracovanie v cloude, čo umožňuje viacerým laboratóriám analyzovať údaje pomocou rovnakej verzie modelu. Ide o významný posun. V minulosti boli behaviorálne údaje často uväznené v laboratórnych tabuľkách so špecifickými pravidlami hodnotenia. Dnes sa dajú zdieľať, znovu analyzovať a podrobiť metaanalýze.
Obmedzenia, ktoré bránia umelej inteligencii nahradiť neurovedca
Je lákavé považovať správanie založené na umelej inteligencii za čiernu skrinku, ktorá vyrieši všetko. Nie je to tak. Výkon modelu závisí výrazne od kvality trénovacích údajov. Ak trénovacia sada neobsahuje kmeň, vek ani podmienky osvetlenia nového experimentu, model môže zlyhať subtilnými spôsobmi. Sledovanie sa môže rozpadnúť, keď sa ryby prekrývajú alebo keď odrazy zmätia kameru. Schémy klasifikácie správania nie sú univerzálne. Kategória ako „agresivita“ môže v rôznych kontextoch vyzerať inak. A žiadny algoritmus nedokáže určiť, či je ryba chorá, zranená alebo jednoducho reaguje na zmenu teploty. Najúčinnejšie pracovné postupy spájajú analýzu pomocou umelej inteligencie s pravidelným ľudským pozorovaním. Algoritmus zabezpečuje opakujúcu sa kvantifikáciu. Ľudia zabezpečujú interpretáciu a kontrolu dobrej kondície živočíchov.
Prečo je stabilita hardvéru dôležitá rovnako ako model
Analýza správania riadená umeľou inteligenciou je tak dobre, ako je video, ktoré prijíma. Model natrénovaný na ostrých, dobre osvetlených záznamoch bude mať problémy s rozmazanými snímkami a nerovnomerným osvetlením. Preto výber kamery, návrh osvetlenia a geometria nádoby patria do experimentálneho nastavenia, nie sú to veci, ktoré sa riešia až neskôr. Vibrácie od čerpadiel, kondenzácia na šošovkách a neustále zmeny snímkovacej frekvencie všetky zhoršujú sledovanie. Pre laboratóriá, ktoré vykonávajú dlhodobé štúdie, je spoľahlivosť zobrazovacieho hardvéru často rozhodujúcim faktorom, či bude dátová sada po mesiacoch zhromažďovania použiteľná. Hunter Lab sa zameriava na výrobnú stranu tohto vybavenia. Spoločnosť sa sústreďuje na konzistentnú výrobu, výber materiálov a spoľahlivosť dodávateľského reťazca pre akvatické systémy na laboratórnu úroveň. Táto výrobná disciplína má význam, keď neurovedecký projekt závisí od stabilného videa po celé týždne.