Un equipo de la Universidad de Michigan ha desarrollado una nueva herramienta de software para ayudar a los investigadores de las ciencias de la vida a analizar de manera más eficiente los comportamientos de los animales.

El software de código abierto, LabGym, aprovecha la inteligencia artificial para identificar, categorizar y contar comportamientos definidos en varios sistemas de modelos animales.

Los científicos necesitan medir los comportamientos de los animales por una variedad de razones, desde comprender todas las formas en que una droga en particular puede afectar a un organismo hasta mapear cómo se comunican los circuitos en el cerebro para producir un comportamiento particular.

Los investigadores en el laboratorio del miembro de la facultad de la UM Bing Ye, por ejemplo, analizan los movimientos y comportamientos en Drosophila melanogaster, o moscas de la fruta, como modelo para estudiar el desarrollo y las funciones del sistema nervioso. Debido a que las moscas de la fruta y los humanos comparten muchos genes, estos estudios de moscas de la fruta a menudo ofrecen información sobre la salud y las enfermedades humanas.

« El comportamiento es una función del cerebro. Por lo tanto, analizar el comportamiento animal proporciona información esencial sobre cómo funciona el cerebro y cómo cambia en respuesta a la enfermedad », dijo Yujia Hu, neurocientífico en el laboratorio de Ye en el Instituto de Ciencias de la Vida de la UM y autor principal de un estudio de Cell Reports Methods del 24 de febrero que describe el nuevo software.

Pero identificar y contar manualmente los comportamientos de los animales requiere mucho tiempo y es muy subjetivo para el investigador que analiza el comportamiento. Y aunque existen algunos programas de software para cuantificar automáticamente los comportamientos de los animales, presentan desafíos.

« Muchos de estos programas de análisis de comportamiento se basan en definiciones preestablecidas de un comportamiento », dijo Ye, quien también es profesor de biología celular y del desarrollo en la Facultad de Medicina. « Si una larva de Drosophila rueda 360 grados, por ejemplo, algunos programas contarán un giro. Pero, ¿por qué 270 grados no son también un giro? Muchos programas no necesariamente tienen la flexibilidad para contar eso, sin que el usuario sepa cómo recodificar el programa. »

Pensando más como un científico

Para superar estos desafíos, Hu y sus colegas decidieron diseñar un nuevo programa que replica más fielmente el proceso de cognición humana, que « piensa » más como lo haría un científico, y es más fácil de usar para los biólogos que pueden no tener experiencia en codificación. Con LabGym, los investigadores pueden ingresar ejemplos del comportamiento que desean analizar y enseñarle al software lo que debe contar. Luego, el programa utiliza el aprendizaje profundo para mejorar su capacidad de reconocer y cuantificar el comportamiento.

Un nuevo desarrollo en LabGym que lo ayuda a aplicar esta cognición más flexible es el uso de datos de video y una « imagen de patrón » para mejorar la confiabilidad del programa. Los científicos usan videos de animales para analizar su comportamiento, pero los videos involucran datos de series temporales que pueden ser difíciles de analizar para los programas de IA.

Para ayudar al programa a identificar comportamientos con mayor facilidad, Hu creó una imagen fija que muestra el patrón de movimiento del animal mediante la combinación de contornos de la posición del animal en diferentes momentos. El equipo encontró que la combinación de los datos de video con las imágenes de patrones aumentó la precisión del programa en el reconocimiento de los tipos de comportamiento.

LabGym también está diseñado para pasar por alto información de fondo irrelevante y considerar tanto el movimiento general del animal como los cambios de posición en el espacio y el tiempo, como lo haría un investigador humano. El programa también puede rastrear varios animales simultáneamente.

La flexibilidad de las especies mejora la utilidad

Otra característica clave de LabGym es su flexibilidad de especies, dijo Ye. Si bien fue diseñado usando Drosophila, no está restringido a ninguna especie.

« Eso es realmente raro », dijo. « Está escrito para biólogos, para que puedan adaptarlo a la especie y el comportamiento que quieren estudiar sin necesidad de conocimientos de programación o computación de alta potencia ».

Después de escuchar una presentación sobre el desarrollo inicial del programa, la farmacóloga de la UM, Carrie Ferrario, se ofreció a ayudar a Ye y su equipo a probar y refinar el programa en el sistema modelo de roedores con el que trabaja.

Ferrario, profesor asociado de farmacología y profesor asociado adjunto de psicología, estudia los mecanismos neuronales que contribuyen a la adicción y la obesidad utilizando ratas como sistema modelo. Para completar la observación necesaria de los comportamientos inducidos por las drogas en los animales, ella y los miembros de su laboratorio han tenido que depender en gran medida de la puntuación manual, que es subjetiva y requiere mucho tiempo.

“He estado tratando de resolver este problema desde la escuela de posgrado, y la tecnología simplemente no estaba allí, en términos de inteligencia artificial, aprendizaje profundo y computación”, dijo Ferrario. « Este programa me resolvió un problema existente, pero también tiene una utilidad muy amplia. Veo el potencial de que sea útil en condiciones casi ilimitadas para analizar el comportamiento animal ».

A continuación, el equipo planea perfeccionar aún más el programa para mejorar su rendimiento en condiciones aún más complejas, como la observación de animales en la naturaleza.

Esta investigación fue apoyada por los Institutos Nacionales de Salud.

Además de Ye, Hu y Ferrario, los autores del estudio son : Alexander Maitland, Rita Ionides, Anjesh Ghimire, Brendon Watson, Kenichi Iwasaki, Hope White y Yitao Xi de la Universidad de Michigan, y Jie Zhou de la Universidad del Norte de Illinois.

Estudio : LabGym : cuantificación de comportamientos animales definidos por el usuario 1 utilizando una evaluación holística basada en el aprendizaje (DOI : 10.1016/j.crmeth.2023.100415) (disponible una vez que se levante el embargo)