利用人工智能，新的开源工具简化了动物行为分析

　　

密歇根大学的一个团队开发了一种新的软件工具，帮助生命科学领域的研究人员更有效地分析动物行为。

开源软件LabGym利用人工智能在各种动物模型系统中识别、分类和统计已定义的行为。

科学家出于各种原因需要测量动物行为，从了解特定药物可能影响生物体的所有方式，到绘制大脑回路如何交流以产生特定行为。

例如，密歇根大学教员叶兵(Bing Ye)实验室的研究人员分析了黑腹果蝇(Drosophila melanogaster)或果蝇的动作和行为，将其作为研究神经系统发育和功能的模型。由于果蝇和人类共享许多基因，对果蝇的这些研究通常可以深入了解人类健康和疾病。

“行为是大脑的功能。因此，分析动物行为提供了关于大脑如何工作以及它如何对疾病做出反应的基本信息，”叶在密歇根大学生命科学研究所实验室的神经科学家胡宇佳说，他是2月24日细胞报告方法研究的主要作者，该研究描述了新软件。

但是手动识别和统计动物行为对分析行为的研究人员来说是费时的，而且是高度主观的。虽然有一些软件程序可以自动量化动物的行为，但它们也带来了挑战。

“许多这样的行为分析程序是基于预先设定的行为定义，”Ye说，他也是医学院的细胞和发育生物学教授。“例如，如果果蝇幼虫滚动360度，一些程序会计算一个滚动。但为什么270度不也是一个滚呢?在用户不知道如何重新编码程序的情况下，许多程序不一定有计算这些数据的灵活性。”

像科学家一样思考

为了克服这些挑战，胡和他的同事们决定设计一种新的程序，它更接近于复制人类的认知过程——更像科学家那样“思考”——而且对可能没有编码专业知识的生物学家更友好。使用LabGym，研究人员可以输入他们想要分析的行为的例子，并教会软件应该计算什么。然后，该程序使用深度学习来提高识别和量化行为的能力。

LabGym的一项新发展有助于它应用这种更灵活的认知，即同时使用视频数据和所谓的“模式图像”来提高程序的可靠性。科学家们使用动物的视频来分析它们的行为，但视频涉及的时间序列数据对人工智能程序来说是一个挑战。

为了帮助程序更容易地识别行为，胡创建了一个静态图像，通过合并动物在不同时间点的位置轮廓来显示动物的运动模式。研究小组发现，将视频数据与模式图像结合起来，可以提高程序识别行为类型的准确性。

LabGym的设计还可以忽略无关的背景信息，并考虑动物的整体运动和位置随空间和时间的变化，就像人类研究人员一样。该程序还可以同时跟踪多种动物。

物种灵活性提高效用

叶说，LabGym的另一个关键特点是它的物种灵活性。虽然它是用果蝇设计的，但它并不局限于任何一个物种。

“这其实很罕见，”他说。“它是为生物学家编写的，这样他们就可以适应他们想要研究的物种和行为，而不需要任何编程技能或高性能计算。”

在听了关于该项目早期发展的介绍后，密歇根大学药理学家凯莉·费拉里奥提出帮助叶和他的团队在她工作的啮齿动物模型系统中测试和改进该项目。

费拉里奥是药理学副教授和心理学兼职副教授，他以大鼠为模型系统，研究导致成瘾和肥胖的神经机制。为了完成对动物药物诱导行为的必要观察，她和她的实验室成员不得不在很大程度上依赖手工评分，这是主观的，而且非常耗时。

费拉里奥说:“从研究生院开始，我就一直试图解决这个问题，但在人工智能、深度学习和计算方面，技术还不成熟。”“这个程序为我解决了一个存在的问题，但它也有非常广泛的用途。我看到了它在几乎无限条件下分析动物行为的潜力。”

该团队下一步计划进一步完善该程序，以提高其在更复杂条件下的表现，例如观察自然界中的动物。

这项研究得到了美国国立卫生研究院的支持。.htm (accessed February 26, 2023).