Se ha desarrollado software de inteligencia artificial para analizar rápidamente el comportamiento animal, de modo que los comportamientos puedan vincularse con mayor precisión a la actividad de neuronas y circuitos cerebrales individuales, informan investigadores de Seattle.
"El programa promete no sólo acelerar la investigación sobre la neurobiología del comportamiento, sino también permitir comparar y conciliar resultados que no están de acuerdo debido a las diferencias en la forma en que los laboratorios individuales observan, analizan y clasifican los comportamientos", dijo Sam Golden, profesor asistente de estructura biológica en la Facultad de Medicina de la Universidad de Washington.
"El enfoque permite a los laboratorios desarrollar procedimientos conductuales como quieran y hace posible establecer comparaciones generales entre los resultados de estudios que utilizan diferentes enfoques conductuales", afirmó.
Un artículo que describe el programa aparece en la revista Nature Neuroscience. . Golden y Simon Nilsson, becario postdoctoral en el laboratorio Golden, son los autores principales del artículo. La primera autora es Nastacia Goodwin, una estudiante de posgrado en el laboratorio.
El estudio de la actividad neuronal detrás del comportamiento animal ha dado lugar a importantes avances en la comprensión y el tratamiento de trastornos humanos como la adicción, la ansiedad y la depresión.
Gran parte de este trabajo se basa en observaciones minuciosamente registradas por investigadores individuales que observan animales en el laboratorio y anotan sus respuestas físicas a diferentes situaciones, y luego correlacionan ese comportamiento con cambios en la actividad cerebral.
Por ejemplo, para estudiar la neurobiología de la agresión, los investigadores podrían colocar dos ratones en un espacio cerrado y registrar signos de agresión. Por lo general, estos incluirían observaciones de la proximidad física de los animales entre sí, su postura y exhibiciones físicas como movimientos rápidos o traqueteos de la cola.
Anotar y clasificar tales comportamientos es una tarea ardua y prolongada. Puede resultar difícil reconocer y registrar con precisión detalles importantes, dijo Golden. "El comportamiento social es muy complicado, ocurre muy rápido y a menudo tiene matices, por lo que muchos de sus componentes pueden perderse cuando un individuo lo observa".
Para automatizar este proceso, los investigadores han desarrollado sistemas basados en inteligencia artificial para rastrear los componentes del comportamiento de un animal y clasificar automáticamente el comportamiento, por ejemplo, como agresivo o sumiso.
Debido a que estos programas también pueden registrar detalles más rápidamente que un humano, es mucho más probable que una acción pueda estar estrechamente correlacionada con la actividad neuronal, que normalmente ocurre en milisegundos.
Uno de esos programas, desarrollado por Nilsson y Goodwin, se llama SimBA, que significa Análisis de Comportamiento Simple. El programa de código abierto presenta una interfaz gráfica fácil de usar y no requiere conocimientos informáticos especiales para su uso. Ha sido ampliamente adoptado por los científicos del comportamiento.
"Aunque construimos SimBA para un laboratorio de roedores, inmediatamente comenzamos a recibir correos electrónicos de todo tipo de laboratorios:laboratorios de avispas, laboratorios de polillas, laboratorios de pez cebra", dijo Goodwin.
Pero a medida que más laboratorios utilizaban estos programas, los investigadores descubrieron que experimentos similares arrojaban resultados muy diferentes.
"Se hizo evidente que la forma en que un laboratorio o una persona define el comportamiento es bastante subjetiva, incluso cuando se intenta replicar procedimientos bien conocidos", dijo Golden.
Además, explicar estas diferencias fue difícil porque a menudo no está claro cómo los sistemas de IA llegan a sus resultados, ya que sus cálculos se realizan en lo que a menudo se caracteriza como "una caja negra".
Con la esperanza de explicar estas diferencias, Goodwin y Nilsson incorporaron en SimBA un enfoque de explicabilidad de aprendizaje automático que produce lo que se llama la puntuación Shapely Additive exPlanations (SHAP).
Básicamente, lo que hace este enfoque de explicabilidad es determinar cómo la eliminación de una característica utilizada para clasificar un comportamiento, por ejemplo el traqueteo de la cola, cambia la probabilidad de una predicción precisa por parte de la computadora.
Al eliminar diferentes características de miles de combinaciones diferentes, SHAP puede determinar cuánta fuerza predictiva proporciona cualquier característica individual utilizada en el algoritmo que clasifica el comportamiento. La combinación de estos valores SHAP define cuantitativamente el comportamiento, eliminando la subjetividad en las descripciones de comportamiento.
"Ahora podemos comparar los respectivos protocolos de comportamiento (de diferentes laboratorios) utilizando SimBA y ver si estamos observando, objetivamente, el mismo o diferente comportamiento", dijo Golden.
"Este enfoque permite a los laboratorios diseñar experimentos como quieran, pero como ahora se pueden comparar directamente los resultados de comportamiento de laboratorios que utilizan diferentes definiciones de comportamiento, se pueden sacar conclusiones más claras entre sus resultados. Anteriormente, los datos neuronales inconsistentes podrían haberse atribuido a muchos "Hay errores de confusión y ahora podemos descartar claramente las diferencias de comportamiento mientras nos esforzamos por lograr la reproducibilidad e interpretabilidad entre laboratorios", afirmó Golden.
Más información: Nastacia L. Goodwin et al, Análisis conductual simple (SimBA) como plataforma para el aprendizaje automático explicable en neurociencia conductual, Nature Neuroscience (2024). DOI:10.1038/s41593-024-01649-9
Información de la revista: Neurociencia de la naturaleza
Proporcionado por la Facultad de Medicina de la Universidad de Washington
