Για να αποκωδικοποιήσουν τον εγκέφαλο, οι επιστήμονες αυτοματοποιούν τη μελέτη της συμπεριφοράς

Η αναζήτηση για την κατανόηση του τι συμβαίνει μέσα στο μυαλό και τον εγκέφαλο των ζώων έχει οδηγήσει τους νευροεπιστήμονες σε πολλά εκπληκτικά μονοπάτια:από την απευθείας ματιά σε ζωντανούς εγκεφάλους, στον έλεγχο των νευρώνων με εκρήξεις φωτός, στη δημιουργία περίπλοκων μηχανισμών και περιβαλλόντων εικονικής πραγματικότητας.

Το 2013, χρειάστηκε ο νευροβιολόγος Bob Datta και οι συνάδελφοί του στην Ιατρική Σχολή του Χάρβαρντ για μια καλύτερη αγορά στο δρόμο από το εργαστήριό τους.

Στο κατάστημα ηλεκτρονικών ειδών, βρήκαν αυτό που χρειάζονταν:ένα Xbox Kinect, μια συσκευή παιχνιδιού που ανιχνεύει τις κινήσεις ενός παίκτη. Οι επιστήμονες ήθελαν να παρακολουθήσουν με εξαντλητική λεπτομέρεια τις κινήσεις του σώματος των ποντικών που μελετούσαν, αλλά καμία από τις συνήθεις εργαστηριακές τεχνικές δεν φαινόταν να ανταποκρίνεται στο έργο. Έτσι, η ομάδα του Ντάτα στράφηκε στο παιχνίδι, χρησιμοποιώντας το για να συλλέξει τρισδιάστατες κινητικές πληροφορίες από τα ζώα καθώς εξερευνούσαν το περιβάλλον τους. Η συσκευή ουσιαστικά τα απέδωσε ως σύννεφα σημείων στο διάστημα και η ομάδα στη συνέχεια ανέλυσε τη ρυθμική κίνηση αυτών των σημείων.

Η λύση του Ντάτα μπορεί να ήταν ανορθόδοξη εκείνη την εποχή, αλλά τώρα είναι εμβληματική ενός κύματος αυτοματοποιημένων προσεγγίσεων που μεταμορφώνουν την επιστήμη της συμπεριφοράς. Μελετώντας τη συμπεριφορά των ζώων πιο αυστηρά και ποσοτικά, οι ερευνητές ελπίζουν σε βαθύτερες γνώσεις σχετικά με τις μη παρατηρήσιμες «οδηγίες» ή εσωτερικές καταστάσεις που ευθύνονται για αυτές. «Δεν γνωρίζουμε τις πιθανές καταστάσεις στις οποίες μπορεί να βρίσκεται ένα ζώο», έγραψε ο Adam Calhoun, ένας μεταδιδακτορικός συνεργάτης που μελετά τη συμπεριφορά των ζώων στο Πανεπιστήμιο του Πρίνστον.

Η ανίχνευση αυτών των εσωτερικών καταστάσεων πίσω στη συγκεκριμένη δραστηριότητα στο πολύπλοκο νευρικό κύκλωμα του εγκεφάλου παρουσιάζει ένα περαιτέρω εμπόδιο. Αν και τα εξελιγμένα εργαλεία μπορούν να καταγράψουν από χιλιάδες νευρώνες ταυτόχρονα, «δεν καταλαβαίνουμε την έξοδο του εγκεφάλου», είπε ο Ντάτα. "Η κατανόηση αυτών των πυκνών νευρικών κωδίκων θα απαιτήσει πρόσβαση σε μια πιο πλούσια κατανόηση της συμπεριφοράς."

Αυτή η πλουσιότερη κατανόηση μπορεί να μην παραμείνει απρόσιτη για πολύ περισσότερο. Αξιοποιώντας τις προόδους στη μηχανική μάθηση, οι επιστήμονες κατασκευάζουν αλγόριθμους που παρακολουθούν αυτόματα τις κινήσεις των ζώων, μέχρι μικροσκοπικές αλλαγές στη γωνία του φτερού μιας μύγας ή στο τόξο της πλάτης ενός ποντικιού. Δημιουργούν επίσης εργαλεία εύρεσης προτύπων που αναλύουν και ταξινομούν αυτόματα αυτά τα δεδομένα για ενδείξεις σχετικά με την εσωτερική κατάσταση των ζώων.

Ένα βασικό πλεονέκτημα αυτών των μεθόδων είναι ότι μπορούν να αντιληφθούν μοτίβα που οι άνθρωποι δεν μπορούν να δουν. Σε μια εργασία που δημοσιεύθηκε τον περασμένο μήνα στο Nature Neuroscience , Calhoun, με τους νευροεπιστήμονες του Πρίνστον, Mala Murthy και Jonathan Pillow, κατασκεύασαν ένα μοντέλο μηχανικής μάθησης που χρησιμοποιούσε μόνο παρατηρήσεις συμπεριφοράς για να εντοπίσει τρεις εσωτερικές καταστάσεις που κρύβουν τη συμπεριφορά ερωτοτροπίας των μυγών. Με το χειρισμό της εγκεφαλικής δραστηριότητας των μυγών, οι ερευνητές μπόρεσαν στη συνέχεια να εντοπίσουν ένα σύνολο νευρώνων που έλεγχαν αυτές τις καταστάσεις.

Η εργασία για την παρακολούθηση κίνησης και την ανάλυση συμπεριφοράς που κατέστησε δυνατά αυτά τα ευρήματα αντιπροσωπεύει μια τεχνολογική επανάσταση στη μελέτη της συμπεριφοράς. Υποδεικνύει επίσης ότι αυτή η επιτυχία είναι μόνο μία από τις πολλές που θα ακολουθήσουν. Οι επιστήμονες εφαρμόζουν τώρα αυτές τις μεθόδους για να αντιμετωπίσουν ζητήματα στη νευροεπιστήμη, τη γενετική, την εξέλιξη και την ιατρική που έμοιαζαν άλυτα μέχρι τώρα.

Καταγραφή και αποθέματα

Οπλισμένοι με στυλό, χαρτί και χρονόμετρο, οι επιστήμονες ποσοτικοποιούν τη συμπεριφορά των ζώων στην άγρια ​​φύση (και στα εργαστήριά τους) εδώ και δεκαετίες, βλέποντας τα θέματά τους να κοιμούνται και να παίζουν, να αναζητούν τροφή και να ζευγαρώνουν. Έχουν μετρήσει τις παρατηρήσεις και οριοθετούν μοτίβα και έχουν βρει οργανωτικά πλαίσια για να συστηματοποιήσουν και να εξηγήσουν αυτές τις τάσεις. (Οι βιολόγοι Nikolaas Tinbergen, Konrad Lorenz και Karl von Frisch κέρδισαν βραβείο Νόμπελ το 1973 για την ανεξάρτητη εκτέλεση αυτού του είδους πειραμάτων με ψάρια, πουλιά και έντομα.)

Οι καταγραφές των συμπεριφορών που προκύπτουν από αυτήν την εργασία θα μπορούσαν να είναι εξαιρετικά λεπτομερείς:Μια περιγραφή της περιποίησης ενός ποντικιού σε μια Φύση του 1973 Το άρθρο περιλάμβανε μια «συσσώρευση μπροστινών άκρων κάτω από το πρόσωπο» και «μεγάλες σύγχρονες αλλά ασύμμετρες πινελιές των μπροστινών άκρων πάνω από το κεφάλι», με εκτιμήσεις για το πόσο πιθανές μπορεί να είναι τέτοιες χειρονομίες υπό διαφορετικές συνθήκες. Οι ερευνητές έπρεπε να καταγράψουν όλες αυτές τις λεπτομέρειες επειδή δεν μπορούσαν να γνωρίζουν ποιες πτυχές των παρατηρούμενων συμπεριφορών μπορεί να αποδειχθούν σημαντικές.

Μερικοί επιστήμονες ακολούθησαν το αντίθετο, μειώνοντας τη μεταβλητότητα της συμπεριφοράς των ζώων στα γυμνά τους οστά, τοποθετώντας τα σε ελεγχόμενες εργαστηριακές ρυθμίσεις και επιτρέποντάς τους να παίρνουν μόνο απλές δυαδικές αποφάσεις, όπως αν θα στρίψουν αριστερά ή δεξιά σε έναν λαβύρινθο. Τέτοιες απλοποιήσεις ήταν μερικές φορές χρήσιμες και ενημερωτικές, αλλά οι τεχνητοί περιορισμοί θέτουν σε κίνδυνο την κατανόηση των φυσικών συμπεριφορών από τους ερευνητές και μπορεί να τους κάνουν να παραβλέψουν σημαντικά σήματα. "Η καλή κατανόηση της συμπεριφοράς είναι πραγματικά ο περιοριστικός παράγοντας για αυτήν την έρευνα", δήλωσε η Ann Kennedy, μεταδιδακτορική ερευνήτρια στη θεωρητική νευροεπιστήμη στο Ινστιτούτο Τεχνολογίας της Καλιφόρνια.

Αυτός είναι ο λόγος για τον οποίο οι επιστήμονες έχουν ξεκινήσει να εκσυγχρονίσουν το πεδίο «σκεπτόμενοι τη συμπεριφορά πιο ποσοτικά», σύμφωνα με τον Talmo Pereira, μεταπτυχιακό φοιτητή στα εργαστήρια των Murthy και Joshua Shaevitz στο Πρίνστον. Και μια αλλαγή που έπαιξε καθοριστικό ρόλο σε αυτήν την αναμόρφωση ήταν η αυτοματοποίηση τόσο της συλλογής δεδομένων όσο και της ανάλυσης δεδομένων.

Παρακολούθηση ρύγχους, σπονδύλων και ουρών

Η τεχνολογία λήψης εικόνων ήταν πάντα καθοριστική για την παρακολούθηση των στάσεων των ζώων σε κίνηση. Στη δεκαετία του 1800, ο Eadweard Muybridge χρησιμοποίησε φωτογραφία stop-motion για να ξεχωρίσει τη μηχανική των αλόγων που τρέχουν και των ανθρώπων που χορεύουν. Οι φωτογραφίες έκαναν ευκολότερο και πιο ακριβές να επισημάνουμε, ας πούμε, πού ήταν καρέ-καρέ τα πόδια ενός ζώου ή πώς ήταν προσανατολισμένο το κεφάλι του. Όταν έφτασε η τεχνολογία βίντεο, οι ερευνητές μπόρεσαν να κάνουν πιο ακριβείς μετρήσεις — αλλά αυτές έτειναν να βασίζονται σε χονδροειδείς ποσότητες, στην ταχύτητα ενός τέτοιου ζώου ή στη μέση θέση του. Η παρακολούθηση κάθε κίνησης μέσα από τρεις διαστάσεις ήταν αδύνατη. Και όλοι οι σχολιασμοί βίντεο έπρεπε να συνδεθούν με κόπο σε έναν υπολογιστή με το χέρι, μια διαδικασία που δεν ήταν μεγάλη βελτίωση σε σχέση με την παλαιότερη μέθοδο σχεδίασης σε σημειωματάρια.

Στη δεκαετία του 1980, οι ερευνητές άρχισαν να προσαρμόζουν αλγόριθμους όρασης υπολογιστή, οι οποίοι ήδη χρησιμοποιούνταν για την εύρεση ακμών και περιγραμμάτων σε εικόνες, για προβλήματα συμπεριφοράς ζώων, όπως η ανίχνευση των περιγραμμάτων των μυγών σε μια επιφάνεια. Τις επόμενες δεκαετίες, αναπτύχθηκαν συστήματα για την επισήμανση της θέσης ενός ζώου σε κάθε καρέ ενός βίντεο, για τη διαφοροποίηση μεταξύ πολλών οργανισμών, ακόμη και για την έναρξη της αναγνώρισης ορισμένων μερών και προσανατολισμών του σώματος.

Ωστόσο, αυτά τα προγράμματα δεν ήταν τόσο αποτελεσματικά όσο χρειάζονταν οι επιστήμονες. «Υπήρχαν μερικές αναλαμπές για το τι θα επιφύλασσε το μέλλον», δήλωσε ο Iain Couzin, διευθυντής του Ινστιτούτου Max Planck για τη συμπεριφορά των ζώων στη Γερμανία. "Αλλά τίποτα πραγματικά περίπλοκο δεν θα μπορούσε να συμβεί μέχρι πολύ, πολύ πρόσφατα, μέχρι την εμφάνιση της βαθιάς μάθησης."

Με βαθιά μάθηση, οι ερευνητές άρχισαν να εκπαιδεύουν νευρωνικά δίκτυα για να παρακολουθούν τις αρθρώσεις και τα κύρια μέρη του σώματος σχεδόν οποιουδήποτε ζώου - έντομα, ποντίκια, νυχτερίδες, ψάρια - σε κάθε καρέ ενός βίντεο. Το μόνο που χρειάζεται είναι μια χούφτα καρέ με ετικέτα (για ορισμένους αλγόριθμους, μόνο 10 θα κάνουν). Η έξοδος εμφανίζεται ως έγχρωμα σημεία που μεταφέρονται στο σώμα του ζώου, προσδιορίζοντας τη μύτη, την ουρά, τα αυτιά, τα πόδια, τα πόδια, τα φτερά, τη σπονδυλική στήλη και ούτω καθεξής.

Ο αριθμός των προγραμμάτων που το κάνουν αυτό έχει εκτοξευθεί τα τελευταία δύο χρόνια, τροφοδοτούμενος όχι μόνο από την πρόοδο στη μηχανική μάθηση, αλλά από την παράλληλη εργασία για τη χαρτογράφηση της ανθρώπινης κίνησης από κινηματογραφιστές, animators και τη βιομηχανία τυχερών παιχνιδιών.

Φυσικά, για τα είδη καταγραφής κίνησης που σχετίζονται με το Χόλιγουντ και τη Σίλικον Βάλεϊ, είναι εύκολο για τους ανθρώπους να φορούν κορμάκια με μαρκαρίσματα που τα συστήματα μπορούν εύκολα να εντοπίσουν και να ακολουθήσουν. Αυτά τα δεδομένα μπορούν στη συνέχεια να χρησιμοποιηθούν για τη δημιουργία λεπτομερών μοντέλων στάσεων και κινήσεων. Αλλά οι λύσεις για φορμάκια δεν ήταν πραγματικά μια επιλογή στον κόσμο των μελετών σε ζώα.

Πριν από πέντε χρόνια, ο Τζόναθαν Γουίτλοκ, νευροεπιστήμονας στο Νορβηγικό Πανεπιστήμιο Επιστήμης και Τεχνολογίας, άρχισε να ψάχνει για έναν άλλο τρόπο για να σημαδέψει τα ποντίκια που μελέτησε. Δοκίμασε ό,τι μπορούσε να σκεφτεί:Αυτός και οι συνάδελφοί του ξύρισαν τη γούνα των ζώων και τους επισήμαναν με υπέρυθρη ανακλαστική μελάνη. Ταμπονάρουν μια ανάρτηση από γυάλινες χάντρες, που συνήθως χρησιμοποιούνται σε αντανακλαστικά χρώματα δρόμου, στην πλάτη των ζώων. Έριξαν λαμπερό μελάνι και βερνίκι στις αρθρώσεις των ζώων. Η λίστα συνεχίζεται, αλλά χωρίς αποτέλεσμα:Μερικές φορές οι δείκτες απλώς δεν ήταν αρκετά φωτεινοί ώστε να παρακολουθούνται και μερικές φορές έκαναν τα ποντίκια να ανησυχούν, διαταράσσοντας τη συμπεριφορά τους.

Τελικά, η ομάδα του Whitlock χρησιμοποίησε μικροσκοπικά κομμάτια αντανακλαστικής ταινίας κολλημένα σε τρία σημεία κατά μήκος της πλάτης του ζώου για να ανακατασκευάσει τις κινήσεις της σπονδυλικής στήλης και ένα μικροσκοπικό κράνος με τέσσερα επιπλέον κομμάτια ταινίας για να παρακολουθεί τις κινήσεις του κεφαλιού. "Αυτό από μόνο του ήταν ήδη αρκετό για να ανοίξει έναν εντελώς νέο κόσμο για εμάς", είπε ο Whitlock.

Αλλά πολλοί ερευνητές ήθελαν να περάσουν χρησιμοποιώντας δείκτες καθόλου και ήθελαν να παρακολουθήσουν περισσότερα από επτά σημεία στα ζώα τους. Έτσι, συνδυάζοντας τις γνώσεις που αποκτήθηκαν από προηγούμενες εργασίες, τόσο σε ζώα όσο και σε ανθρώπους, πολλά εργαστήρια έχουν δημιουργήσει εύχρηστα συστήματα που βλέπουν τώρα ευρεία εφαρμογή.

Το πρώτο από αυτά τα συστήματα κυκλοφόρησε πέρυσι. Το DeepLabCut αναπτύχθηκε από τους νευροεπιστήμονες του Χάρβαρντ, Mackenzie Mathis και Alexander Mathis, οι οποίοι επαναχρησιμοποίησαν ένα νευρωνικό δίκτυο που ήταν ήδη εκπαιδευμένο να ταξινομεί χιλιάδες αντικείμενα. Άλλες μέθοδοι που ακολουθήθηκαν με ταχεία διαδοχή:LEAP (Leap Estimates Animal Pose), που αναπτύχθηκε από τον Pereira και άλλους στα εργαστήρια των Murthy και Shaevitz. Το SLEAP, το προσεχές λογισμικό της ίδιας ομάδας για την παρακολούθηση των θέσεων των τμημάτων του σώματος πολλών ζώων που αλληλεπιδρούν ταυτόχρονα. και το DeepPoseKit του ομίλου Couzin, που δημοσιεύτηκε πριν από λίγους μήνες.

«Μπορεί να μάθει πολύ γρήγορα», είπε ο Murthy για το LEAP. "Μέσα σε 10 ή 15 λεπτά, μπορεί να εκπαιδευτεί ώστε να εκτελείται αυτόματα σε όλα τα βίντεό σας." Άλλες ομάδες εργάζονται για τη μοντελοποίηση πόζες σε τρεις διαστάσεις και όχι σε δύο, βαθμονομώντας παρόμοια μοντέλα χρησιμοποιώντας πολλές κάμερες.

«Κάτω από την κουκούλα, αυτές οι τεχνολογίες μπορεί να είναι απίστευτα εξελιγμένες», είπε ο Couzin, «αλλά τώρα είναι πραγματικά εκπληκτικά εύκολο να εφαρμοστούν σε ένα πολύ ευρύ φάσμα προβλημάτων, από το πώς κινούνται τα μουστάκια ενός ποντικιού στη συμπεριφορά του μυρμηγκιού μέχρι την εκπαίδευση των ψαριών». /P>

Ο Whitlock ανακάλυψε ότι στα ποντίκια που μελετά, συγκεκριμένες κινήσεις και θέσεις κωδικοποιούνται σε όλες τις περιοχές του φλοιού που εμπλέκονται στη συντονισμένη κίνηση - και ίσως ευρύτερα. «Αυτά τα μέρη του εγκεφάλου ενδιαφέρονται πραγματικά πολύ για το πώς το ζώο κρατά το κεφάλι του», είπε. "Αυτή είναι μια πτυχή της επεξεργασίας του φλοιού που απλά δεν είχαμε εκτιμήσει στο παρελθόν", επειδή οι ερευνητές δεν κατάφεραν να παρακολουθήσουν ζώα που κινούνται ελεύθερα.

Οριοθετώντας τη στάση του σώματος, οι αλγόριθμοι ανοίγουν ένα παράθυρο σε μια βαθύτερη κατανόηση της συμπεριφοράς. Ουσιαστικά, όλες οι μετρήσιμες συμπεριφορές είναι «αλλαγές στη στάση του σώματος μέσα στο χρόνο», είπε ο Whitlock. «Και έχουμε στάση σώματος. Το καταφέραμε."

Επειδή το λογισμικό παρακολούθησης στάσης έχει απλοποιήσει τη συλλογή δεδομένων, «τώρα μπορούμε να σκεφτούμε άλλα προβλήματα», δήλωσε ο Benjamin de Bivort, βιολόγος συμπεριφοράς στο Πανεπιστήμιο του Χάρβαρντ. Ξεκινώντας με:Πώς ορίζουμε τα δομικά στοιχεία της συμπεριφοράς και πώς τα ερμηνεύουμε;

Μια κρυφή γλώσσα

Οι προσπάθειες απάντησης σε αυτές τις ερωτήσεις βασίζονται εδώ και πολύ καιρό στη διαίσθηση του παρατηρητή - «άψογη αντίληψη», όπως την αποκαλούν χαριτολογώντας οι ηθολόγοι (συμπεριφοριστές ζώων). Αλλά η διαίσθηση παρακωλύεται από εγγενείς προκαταλήψεις, έλλειψη αναπαραγωγιμότητας και δυσκολία γενίκευσης.

Ο ζωολόγος Ilan Golani στο Πανεπιστήμιο του Τελ Αβίβ πέρασε μεγάλο μέρος των τελευταίων έξι δεκαετιών σε αναζήτηση ενός λιγότερο αυθαίρετου τρόπου για να περιγράψει και να αναλύσει τη συμπεριφορά - ένας τρόπος που περιλαμβάνει μια θεμελιώδη μονάδα συμπεριφοράς παρόμοια με το άτομο στη χημεία. Δεν ήθελε συμπεριφορές να επισημαίνονται απλώς ως φλερτ ή τάισμα. Ήθελε αυτοί οι χαρακτηρισμοί να προκύπτουν «φυσικά», από ένα κοινό σύνολο κανόνων που βασίζονται στην ανατομία ενός ζώου. Ο Golani έχει το δικό του μοντέλο για το πώς πρέπει να μοιάζουν αυτές οι μονάδες και οι κανόνες, αλλά πιστεύει ότι το πεδίο απέχει ακόμα πολύ από το να καταλήξει σε συναίνεση σχετικά με αυτό.

Άλλοι ερευνητές παίρνουν την αντίθετη θέση, ότι η μηχανική μάθηση και η βαθιά μάθηση θα μπορούσαν να φέρουν το πεδίο σε συναίνεση νωρίτερα. Ωστόσο, ενώ το DeepLabCut, το LEAP και οι άλλοι προηγμένοι αλγόριθμοι παρακολούθησης πόζας βασίζονται στην εποπτευόμενη μάθηση — είναι εκπαιδευμένοι να συνάγουν τις θέσεις των μερών του σώματος από δεδομένα με σήμανση χειρός — οι επιστήμονες ελπίζουν να βρουν και να αναλύσουν τα δομικά στοιχεία της συμπεριφοράς χωρίς επίβλεψη τεχνικές εκμάθησης. Μια μη εποπτευόμενη προσέγγιση υπόσχεται να αποκαλύψει από μόνη της την κρυφή δομή των συμπεριφορών, χωρίς οι άνθρωποι να υπαγορεύουν κάθε βήμα και να εισάγουν προκαταλήψεις.

Ένα ενδιαφέρον παράδειγμα αυτού εμφανίστηκε το 2008, όταν οι ερευνητές εντόπισαν τέσσερα δομικά στοιχεία κίνησης σκουληκιών που θα μπορούσαν να προστεθούν μαζί για να καταγράψουν σχεδόν όλες τις κινήσεις στο ρεπερτόριο του ζώου. Ονομάστηκε "ιδιοσκώληκας", αυτή η συμπαγής αναπαράσταση προσέφερε έναν ποσοτικό τρόπο σκέψης σχετικά με τη δυναμική της συμπεριφοράς.

Ο Datta πήγε αυτή την προσέγγιση σε ένα εντελώς νέο επίπεδο με το χακάρισμα του Xbox Kinect το 2013 και ανταμείφθηκε γρήγορα για αυτό. Όταν αυτός και οι συνάδελφοί του εξέτασαν τα δεδομένα που περιγράφουν τις κινήσεις των ποντικών, έμειναν έκπληκτοι όταν είδαν αμέσως μια γενική δομή μέσα σε αυτό. Η δυναμική της τρισδιάστατης συμπεριφοράς των ζώων φαινόταν να χωρίζεται φυσικά σε μικρά κομμάτια που διήρκεσαν για 300 χιλιοστά του δευτερολέπτου κατά μέσο όρο. «Αυτό είναι μόνο στα δεδομένα. Σας δείχνω ανεπεξέργαστα δεδομένα», είπε η Ντάτα. "Είναι απλώς ένα θεμελιώδες χαρακτηριστικό της συμπεριφοράς του ποντικιού."

Αυτά τα κομμάτια, σκέφτηκε, έμοιαζαν πολύ με αυτό που θα περίμενε κανείς να μοιάζει με μια μονάδα συμπεριφοράς - σαν συλλαβές, ενωμένες μέσα από ένα σύνολο κανόνων ή γραμματικής. Αυτός και η ομάδα του δημιούργησαν ένα βαθύ νευρωνικό δίκτυο που αναγνώριζε αυτές τις συλλαβές διαιρώντας τη δραστηριότητα του ζώου με τρόπο που οδηγούσε στις καλύτερες προβλέψεις για τη μελλοντική συμπεριφορά. Ο αλγόριθμος, που ονομάζεται Motion Sequencing (MoSeq), έφτυσε συλλαβές που οι ερευνητές αργότερα θα ονόμασαν «τρέξτε προς τα εμπρός» ή «κάτω και βέλος» ή «βγείτε έξω!». Σε ένα τυπικό πείραμα, ένα ποντίκι θα χρησιμοποιούσε 40 έως 50 από αυτά, μόνο μερικά από τα οποία αντιστοιχούσαν σε συμπεριφορές για τις οποίες οι άνθρωποι έχουν ονόματα.

"Οι αλγόριθμοί τους μπορούν να βγάλουν συμπεριφορές για τις οποίες δεν έχουμε λόγια", είπε ο Whitlock.

Τώρα οι ερευνητές προσπαθούν να προσδιορίσουν τη βιολογική ή οικολογική σημασία αυτών των συμπεριφορών που προηγουμένως είχαν παραβλεφθεί. Μελετούν πώς οι συμπεριφορές ποικίλλουν μεταξύ ατόμων ή φύλων ή ειδών, πώς η συμπεριφορά διασπάται με την ηλικία ή την ασθένεια και πώς αναπτύσσεται κατά τη διάρκεια της μάθησης ή στην πορεία της εξέλιξης. Χρησιμοποιούν αυτές τις αυτόματες ταξινομήσεις για να διακρίνουν τις συμπεριφορικές επιδράσεις διαφορετικών γονιδιακών μεταλλάξεων και ιατρικών θεραπειών και να χαρακτηρίσουν τις κοινωνικές αλληλεπιδράσεις.

Και αρχίζουν να κάνουν τις πρώτες συνδέσεις με τον εγκέφαλο και τις εσωτερικές του καταστάσεις.

Πρόβλεψη εγκεφαλικών καταστάσεων και συμπεριφορών

Ο Datta και οι συνεργάτες του ανακάλυψαν ότι στο ραβδωτό σώμα, μια περιοχή του εγκεφάλου που είναι υπεύθυνη για τον κινητικό σχεδιασμό και άλλες λειτουργίες, διάφορα σύνολα νευρώνων ενεργοποιούνται για να αναπαραστήσουν τις διαφορετικές συλλαβές που προσδιορίζονται από το MoSeq. Έτσι, «ξέρουμε ότι αυτή η γραμματική ρυθμίζεται άμεσα από τον εγκέφαλο», είπε ο Ντάτα. "Δεν είναι απλώς ένα επιφαινόμενο, είναι ένα πραγματικό πράγμα που ελέγχει ο εγκέφαλος."

Περιέργως, η νευρική αναπαράσταση μιας δεδομένης συλλαβής δεν ήταν πάντα η ίδια. Αντίθετα άλλαξε για να αντικατοπτρίζει τη σειρά στην οποία ήταν ενσωματωμένη η συλλαβή. Βλέποντας τη δραστηριότητα των νευρώνων, για παράδειγμα, ο Datta μπορούσε να πει εάν μια συγκεκριμένη συλλαβή ήταν μέρος μιας πολύ σταθερής ή πολύ μεταβλητής ακολουθίας. «Στο υψηλότερο επίπεδο», είπε, «αυτό που σας λέει είναι ότι το ραβδωτό σώμα δεν κωδικοποιεί απλώς τη συμπεριφορά που εκφράζεται. Σας λέει επίσης κάτι για το πλαίσιο στο οποίο εκφράζεται."

Υποστήριξε περαιτέρω αυτή την υπόθεση δοκιμάζοντας τι συνέβη όταν το ραβδωτό σώμα δεν λειτουργούσε πλέον σωστά. Οι ίδιες οι συλλαβές παρέμειναν άθικτες, αλλά η γραμματική έγινε ανακατεμένη, οι ακολουθίες των ενεργειών φαίνονταν πιο τυχαίες και λιγότερο προσαρμοστικές.

Άλλοι ερευνητές εξετάζουν τι συμβαίνει στον εγκέφαλο σε μεγαλύτερα χρονικά διαστήματα. Ο Gordon Berman, ένας θεωρητικός βιοφυσικός στο Πανεπιστήμιο Emory, χρησιμοποιεί μια τεχνική ανάλυσης χωρίς επίβλεψη που ονομάζεται Motion Mapper για να μοντελοποιήσει τη συμπεριφορά. Το μοντέλο, το οποίο τοποθετεί τις συμπεριφορές σε μια ιεραρχία, μπορεί να προβλέψει την ιεραρχική νευρική δραστηριότητα στον εγκέφαλο, όπως αποδεικνύεται σε μια εργασία που δημοσιεύθηκε από μια ομάδα ερευνητών στο Πανεπιστήμιο της Βιέννης πριν από δύο εβδομάδες. (Ο Μπέρμαν λέει ότι "ένας φιλόδοξος στόχος" θα ήταν να χρησιμοποιήσει κάποια μέρα το Motion Mapper για να προβλέψει και τις κοινωνικές αλληλεπιδράσεις μεταξύ των ζώων.)

Και μετά υπάρχει η Murthy και η ομάδα της και η αναζήτησή τους για κρυφές εσωτερικές καταστάσεις. Είχαν δημιουργήσει προηγουμένως ένα μοντέλο που χρησιμοποιούσε μετρήσεις των κινήσεων των μυγών για να προβλέψει πότε, πώς και τι θα τραγουδούσε η αρσενική μύγα. Ανακάλυψαν, για παράδειγμα, ότι καθώς η απόσταση μεταξύ των αρσενικών και θηλυκών μυγών μειώθηκε, το αρσενικό ήταν πιο πιθανό να παράγει ένα συγκεκριμένο είδος τραγουδιού.

Στην εργασία που δημοσιεύτηκε πρόσφατα στο Nature Neuroscience , οι επιστήμονες επέκτειναν αυτό το μοντέλο για να συμπεριλάβει πιθανές κρυφές εσωτερικές καταστάσεις στις αρσενικές μύγες που θα μπορούσαν να βελτιώσουν τις προβλέψεις σχετικά με τα τραγούδια που θα παράγουν οι μύγες. Η ομάδα αποκάλυψε τρεις καταστάσεις, τις οποίες ονόμασαν "Κλείσιμο", "Κυνηγώντας" και "Ο,τιδήποτε". Ενεργοποιώντας διάφορους νευρώνες και εξετάζοντας τα αποτελέσματα με το μοντέλο τους, ανακάλυψαν ότι ένα σύνολο νευρώνων που θεωρήθηκε ότι έλεγχαν την παραγωγή τραγουδιού έλεγχαν την κατάσταση της μύγας. "Είναι μια διαφορετική ερμηνεία του τι κάνει ο νευρώνας στην υπηρεσία της συμπεριφοράς της μύγας", είπε ο Murthy.

Τώρα βασίζονται σε αυτά τα ευρήματα με το SLEAP. "Θα είναι πραγματικά συναρπαστικό να δούμε τι είδους κρυφές καταστάσεις μπορεί να ξεχωρίσει αυτός ο τύπος μοντέλου όταν ενσωματώνουμε παρακολούθηση πόζας υψηλότερης ανάλυσης", είπε ο Pereira.

Οι επιστήμονες προσέχουν να σημειώσουν ότι αυτές οι τεχνικές θα πρέπει να ενισχύουν και να συμπληρώνουν τις παραδοσιακές μελέτες συμπεριφοράς και όχι να τις αντικαθιστούν. Συμφωνούν επίσης ότι πρέπει να γίνει πολλή δουλειά προτού αρχίσουν να εμφανίζονται οι βασικές καθολικές αρχές συμπεριφοράς. Θα χρειαστούν πρόσθετα μοντέλα μηχανικής εκμάθησης, για παράδειγμα, για τη συσχέτιση των δεδομένων συμπεριφοράς με άλλους σύνθετους τύπους πληροφοριών.

«Αυτό είναι πολύ ένα πρώτο βήμα όσον αφορά τη σκέψη για αυτό το πρόβλημα», είπε η Ντάτα. Δεν έχει καμία αμφιβολία ότι «κάποιο παιδί θα βρει έναν πολύ καλύτερο τρόπο να το κάνει αυτό». Ωστόσο, «αυτό που είναι ωραίο σε αυτό είναι ότι ξεφεύγουμε από το μέρος όπου βρίσκονταν οι ηθολόγοι, όπου οι άνθρωποι μάλωναν μεταξύ τους και φώναζαν ο ένας στον άλλο για το αν η περιγραφή μου είναι καλύτερη από τη δική σας. Τώρα έχουμε ένα μέτρο.»

«Φτάνουμε σε ένα σημείο όπου οι μέθοδοι συμβαδίζουν με τις ερωτήσεις μας», είπε ο Murthy. «Αυτό το οδόφραγμα μόλις αρθεί. Νομίζω λοιπόν ότι ο ουρανός είναι το όριο. Οι άνθρωποι μπορούν να κάνουν ό,τι θέλουν."

Σημείωση του συντάκτη:Το έργο των Bob Datta, Jonathan Pillow και Adam Calhoun χρηματοδοτείται εν μέρει από το Ίδρυμα Simons, το οποίο χρηματοδοτεί επίσης αυτό το εκδοτικά ανεξάρτητο περιοδικό.

Πόζα κινουμένων σχεδίων μιας μύγας που περπατάει με την ευγενική προσφορά του Pierre Karashchuk, εργαστήρια Tuthill/Brunton, Πανεπιστήμιο της Ουάσιγκτον. anipose.org