Raziskave nevroznanosti zebrafishov so vedno temeljile na vedenju. Gibanje larv, socialno vedenje odraslih, začetne reakcije in spremembe plavanja pod vplivom zdravil so vsa okna v delovanje možganov. Težava je v tem, da človeško opazovanje ni merljivo. En poskus lahko ustvari ure posnetkov s stotinami rib. Ročno ocenjevanje je počasno, subjektivno in ranljivo za utrujenost. Dva izurjena opazovalca lahko pri istem posnetku različno določita začetek gibanja ali način razvrstitve obrata. Ti razhajanja postanejo šum v podatkih, šum pa je drag, kadar je osnovni učinek majhen.
Kaj dejansko merijo sistemi za umetno-inteligentno vedenjsko analizo
Sistem za analizo vedenja, ki ga poganja umetna inteligenca, ne šteje le gibanj. Iz surovih podatkov s posnetkov ali sledenja gradi številčno predstavitev vedenja. Konvej za obdelavo običajno začne z ocenjevanjem položaja telesa (pose estimation), pri čemer model določi ključne točke, kot so glava, rep in težišče vsake ribe. Nato se izvlečejo značilnosti: hitrost, pospešek, kot obračanja, razdalja med ribami, trajanje zamrznitve in pogostost gibov (bout frequency). Nekateri sistemi napredujejo še naprej in vedenje razvrstijo v ločene kategorije, kot so približevanje, izogibanje ali agresivnost. Izhod je časovna vrsta, ki jo je mogoče uskladiti z nevronskimi posnetki, dajanjem zdravil ali genetskimi spremembami. Prav ta usklajenost predstavlja dejansko moč sistema.
Kako razločnost na ravni milisekund spreminja načrtovanje poskusov
Tradicionalno ocenjevanje obnašanja lahko določi čas dogodka največ do najbližje sekunde, če sploh to. Sistemi umetne inteligence lahko sledijo z razločljivostjo slike za sliko, pogosto 30 do 100 slik na sekundo. Ta razločljivost razkrije dogodke, ki so bili prej neopazni. Odziv na prestrašitev, ki traja 50 milisekund, kratek premor pred zavijanjem ali subtilna sprememba frekvence gibanja repa postanejo merljivi. Eksperimentalni načrti, ki so nekoč za zaznavo majhnega učinka zahtevali tisoče rib, se včasih zdaj izvedejo z manj živalmi, ker je obnašalni odziv bogatejši in manj šumen. To ni le tehnična izboljšava. Spremeni tudi vprašanja, ki jih lahko postavimo. Na primer: raziskovalci, ki proučujejo model epilepsije, lahko zdaj kvantificirajo napadne podobne izbruhe pri mladih zebrafishih z natančnostjo, ki je bila pred desetletjem neizvedljiva. Takšna natančnost obnašanje spremeni v kvantitativni fenotip, ne le opisni.
| Značilnost | Ročno opazovanje | Obnašalna analiza na podlagi umetne inteligence |
|---|---|---|
| Časovna ločljivost | Pogosto 1 sekunda ali grobejša | Hitrost slike (frekvenca), pogosto 30 do 100 Hz |
| Doslednost | Spremenljivo glede na opazovalca in utrujenost | Nespremenjen model, enak izhod pri vsakem zagonu |
| Dimenzionalnost značilnosti | Nekaj ročno ocenjenih kategorij | Desetkotno zveznih in diskretnih značilnosti |
| Razširljivost | Linearno glede na človeške ure | Skoraj konstantno po namestitvi |
| Občutljivost na subtilne učinke | Omejeno | Višja, zaradi zmanjšanega šuma |
Primer obrata, kjer je algoritem opazil to, kar je človeško oko spregledalo
Neuroznanstvena laboratorija je testirala spojino, pri kateri se je predvidevalo, da bo zmanjšala vedenje, podobno tesnobi, pri odraslih zebrafishih. Ročni rezultati so kazali trend, vendar ni bil statistično pomemben. Ekipa je iste posnetke analizirala s sistemom za analizo vedenja na osnovi umetne inteligence. Sistem ni le potrdil trenda, temveč je ugotovil, da so obravnavane ribe porabile več časa v sredini akvarija, vendar le v prvih petih minutah po spremembi svetlobe. Ročno ocenjevanje je povprečilo podatke skozi celotno sejo, zaradi česar je učinek izginil. Sistem na osnovi umetne inteligence je omogočil časovno razločno analizo, ki je kazala na določeno časovno okno učinkovanja. Ta ugotovitev je vodila do nadaljnje poskusa z ožjim časovnim okvirom in jasnejšimi rezultati. Algoritem ni nadomestil znanstvenikov, temveč jim je pomagal postaviti boljša vprašanja.
Integracija podatkov in ponovljivost: od videa do statistike
Ena od tišjih prednosti analize vedenja, ki jo omogoča umetna inteligenca, je ponovljivost. Ko je model enkrat izobražen in preverjen, za dani vhod vedno ustvari isti izhod. Ta doslednost olajša primerjavo rezultatov med poskusi, laboratoriji in celo leti. Številni sistemi zdaj izvažajo podatke v standardnih formatih, ki se neposredno vključijo v statistične programske pakete ali cevi za obdelavo nevronskih podatkov. Nekatere platforme podpirajo obdelavo v oblaku, kar več laboratorijem omogoča analizo podatkov z isto različico modela. To predstavlja pomemben premik. V preteklosti so bili podatki o vedenju pogosto zaprti v laboratorijsko specifičnih preglednicah z lastnimi pravili za ocenjevanje. Danes jih je mogoče deliti, ponovno analizirati in izvajati metaanalize.
Omejitve, ki preprečujejo, da bi umetna inteligenca nadomestila nevroznanstvenika
Zelo privlačno je obravnavati analizo vedenja na podlagi umetne inteligence kot črno škatlo, ki reši vse. Tako ni. Učinkovitost modela močno odvisna od kakovosti učnih podatkov. Če učna množica ne vključuje vrste, starosti ali razmer osvetlitve novega poskusa, se model lahko poda na subtilen način. Sledenje se lahko sesuje, ko se ribe prekrivajo ali ko odboji zmedejo kamero. Sheme razvrščanja vedenja niso univerzalne. Kategorija kot »agresivnost« se lahko v različnih kontekstih razlikuje. Noben algoritem pa ne more določiti, ali je riba bolna, poškodovana ali preprosto reagira na spremembo temperature. Najučinkovitejši delovni tokovi združujejo analizo z umetno inteligenco z rednim človeškim opazovanjem. Algoritem opravi ponavljajoče se kvantifikacije. Človek pa opravi interpretacijo in preverjanje blaginje.
Zakaj je stabilnost strojne opreme enako pomembna kot model
Analiza vedenja, ki jo omogoča umetna inteligenca, je dobra le toliko, kolikor je dobra videozapis, ki ga prejme. Model, ki je bil usposobljen na ostrih in dobro osvetljenih posnetkih, bo imel težave z zamegljenimi posnetki in kadri, ki niso enakomerno osvetljeni. Zato izbor kamere, načrtovanje osvetlitve in geometrija rezervoarja spadajo v eksperimentalno postavitev, ne pa so le dodatna razmišljanja. Vibracije črpalk, kondenzacija na lečah in neenakomerni sponski frekvenci vse zmanjšujejo kakovost sledenja. Za laboratorije, ki izvajajo dolgoročne študije, je zanesljivost slikovne opreme pogosto odločilni dejavnik, ali bo zbrani podatkovni nabor uporaben po mesecih zbiranja. Hunter Lab deluje na proizvodni strani tega ekosistema opreme. Podjetje se osredotoča na dosledno izdelavo, izbiro materialov in zanesljivost dobavnih verig za akvatične sisteme na laboratorijski ravni. Ta proizvodna disciplina je pomembna, kadar projekt iz nevroznanosti zahteva stabilne videoposnetke več tednov zapored.