वैज्ञानिक मस्तिष्क समारोह को डिकोड करने के लिए पशु व्यवहार अनुसंधान को स्वचालित करते हैं

मशीन लर्निंग और गहरी तंत्रिका नेटवर्क जानवरों की "व्यवहार की भाषा" को उन तरीकों से पहचानने और विश्लेषण करने में सक्षम हैं जो मानव क्षमताओं से परे हैं

प्राकृतिक वातावरण में जानवरों के आंदोलनों को ट्रैक करने के लिए, वैज्ञानिक तेजी से मशीन लर्निंग (एमओ) के तरीकों की ओर बढ़ रहे हैं। इस वीडियो में, DeepPoseKit एल्गोरिथ्म एक सीमित स्थान में एक रेगिस्तान टिड्डे की आवाजाही और अभिविन्यास को ट्रैक करता है ताकि शोधकर्ताओं को कीड़ों के संयुक्त व्यवहार पर डेटा प्रदान किया जा सके।

जानवरों के सिर में क्या हो रहा था, यह समझने की कोशिश में, न्यूरोसाइंटिस्ट को अप्रत्याशित तरीके से भेजा गया था: जीवित मस्तिष्क में सीधे झांकने से लेकर प्रकाश की चमक का उपयोग कर न्यूरॉन्स को नियंत्रित करने, जटिल उपकरणों और आभासी वातावरण बनाने के लिए।

2013 में, इसने न्यूरोसाइंटिस्ट बॉब दत्तू को हार्वर्ड मेडिकल स्कूल के सहकर्मियों के साथ, अपनी प्रयोगशाला के समान सड़क पर स्थित सर्वश्रेष्ठ खरीदें सुपरमार्केट में ले जाया।

उपभोक्ता इलेक्ट्रॉनिक्स स्टोर में, उन्होंने पाया कि वे क्या देख रहे थे: Xbox Kinect, एक गेमिंग डिवाइस जो खिलाड़ी आंदोलनों को होश में लाता है। वैज्ञानिकों को उनके द्वारा अध्ययन किए गए चूहों के आंदोलनों के सबसे छोटे विवरणों का निरीक्षण करना था, लेकिन पारंपरिक प्रयोगशाला प्रौद्योगिकियों में से कोई भी इसे संभाल नहीं सका। इसलिए, पर्यावरण में उनके व्यवहार का अध्ययन करने के लिए जानवरों के शरीर के आंदोलनों पर अपनी तीन आयामी जानकारी का उपयोग करने के लिए दत्ता के समूह ने खिलौने की ओर रुख किया। डिवाइस, वास्तव में, उन्हें तीन-आयामी अंतरिक्ष में अंकों का एक बादल देता है, और टीम ने फिर इन बिंदुओं के लयबद्ध आंदोलनों का विश्लेषण किया।

दत्ता का निर्णय अपने समय के लिए अपरंपरागत हो सकता है, लेकिन यह व्यवहार के विज्ञान को बदलने वाले स्वचालित दृष्टिकोण की आज की लहर का प्रतीक बन गया है। जानवरों के व्यवहार का अधिक गहन और मात्रात्मक अध्ययन करके, शोधकर्ता इसके लिए जिम्मेदार आंतरिक राज्यों को बेहतर ढंग से समझने की उम्मीद करते हैं। प्रिंसटन यूनिवर्सिटी में जानवरों के व्यवहार का अध्ययन करने वाले पोस्टडॉक एडम कैलहौन ने लिखा, "हमें नहीं पता कि जानवर किस स्थिति में हो सकते हैं।"

मस्तिष्क के जटिल तंत्रिका सर्किट में एक विशिष्ट गतिविधि के इन आंतरिक राज्यों की तुलना करने की कोशिश करते समय एक और बाधा उत्पन्न होती है। हालांकि परिष्कृत उपकरण एक ही समय में हजारों न्यूरॉन्स के काम को रिकॉर्ड कर सकते हैं, "हम मस्तिष्क के उत्पादन को नहीं समझते हैं," दत्ता ने कहा। "इस घने तंत्रिका कोडिंग को समझने के लिए, आपको व्यवहार की व्यापक समझ की आवश्यकता है।"

यह विशाल समझ जल्द ही इसे समझने के हमारे प्रयासों के आगे झुक सकती है। मशीन लर्निंग की सफलता के आधार पर, वैज्ञानिक एल्गोरिदम बना रहे हैं जो स्वचालित रूप से जानवरों के आंदोलनों को एक मक्खी के पंखों के कोण में छोटे बदलाव या एक माउस के पीछे झुकने पर नज़र रखता है। वे ऐसे उपकरण भी बनाते हैं जो जानवरों की आंतरिक स्थितियों के बारे में सुराग के लिए इन आंकड़ों का स्वचालित रूप से विश्लेषण और वर्गीकरण करके पैटर्न पा सकते हैं।

इन विधियों का मुख्य लाभ यह है कि वे लोगों के लिए अदृश्य पैटर्न देखने में सक्षम हैं। जर्नल नेचर न्यूरोसाइंस, कैलहॉन में पिछले महीने प्रकाशित एक पेपर में, प्रिंसटन न्यूरोसाइंटिस्ट्स मलाया मूर्ति और जोनाथन पिलो के साथ मिलकर एक मशीन लर्निंग मॉडल बनाया, जो फल मक्खी के संभोग की आदतों को निर्धारित करने वाले तीन राज्यों को निर्धारित करने के लिए केवल व्यवहार टिप्पणियों का उपयोग करता है। मक्खियों की मस्तिष्क गतिविधि में हेरफेर करके, शोधकर्ता तब इन स्थितियों को नियंत्रित करने वाले न्यूरॉन्स के सेट को निर्धारित करने में सक्षम थे।

मोशन ट्रैकिंग और व्यवहार विश्लेषण पर काम जिसने इन खोजों को संभव बनाया, व्यवहार के अध्ययन में एक तकनीकी क्रांति का प्रतिनिधित्व करता है। यह भी अनुसरण करता है कि यह भविष्य की कई सफलताओं में से पहला है। वैज्ञानिक अब इन तरीकों का उपयोग न्यूरोबायोलॉजी, आनुवांशिकी, विकास और चिकित्सा में सवालों के जवाब खोजने के लिए करते हैं, जो अब तक असाध्य लग रहा था।

लॉग और निर्देशिका

दशकों से, वैज्ञानिकों ने प्रयोगशालाओं और प्राकृतिक वातावरण में जानवरों के व्यवहार को मात्राबद्ध किया है, एक कलम, कागज और एक स्टॉपवॉच के साथ सशस्त्र किया जा रहा है। वे अपने प्रायोगिक विषयों को देखते, सोते, खेलते, भोजन खरीदते और संभोग करते थे। उन्होंने टिप्पणियों का मूल्यांकन किया, पैटर्न के स्केच किए गए पैटर्न, इन रुझानों को व्यवस्थित और स्पष्ट करने के लिए संगठनात्मक प्लेटफार्मों के साथ आए। जीवविज्ञानी निकोलास तिनबर्गेन, कोनराड लोरेन्ज और कार्ल वॉन फ्रिस्क ने स्वतंत्र रूप से मछली, पक्षियों और कीड़ों के साथ इसी तरह के प्रयोग करने के लिए 1973 का नोबेल पुरस्कार प्राप्त किया।


प्राणी विज्ञानी इलान गोलानी ने जानवरों के व्यवहार को नियंत्रित करने वाले नियमों का मात्रात्मक वर्णन करने के लिए विभिन्न प्रजातियों के आंदोलन और व्यवहार को मैन्युअल रूप से चित्रित किया। ये आंकड़े शहद के बेजर द्वारा पूरे शरीर के घूमने को दर्शाते हैं।

इस तरह के व्यवहार कैटलॉग अत्यंत विस्तृत हो सकते हैं। 1973 में एक चूहे को धोने के वर्णन में, प्रकृति ने "थूथन के नीचे के फोर्ब्स की उधम मचाती गति" और "सिर के ऊपर के फोरलेग्स के व्यापक, तुल्यकालिक लेकिन असममित आंदोलनों" का वर्णन किया और विभिन्न स्थितियों में इस तरह के इशारों की संभावना का मूल्यांकन किया। शोधकर्ताओं को इस तरह के विस्तार में सब कुछ का वर्णन करने की आवश्यकता थी, क्योंकि उन्हें नहीं पता था कि मनाया व्यवहार का कौन सा पहलू महत्वपूर्ण हो सकता है।

कुछ वैज्ञानिकों ने इस मामले को विपरीत दिशा से देखा, जानवरों के व्यवहार की विविधता को न्यूनतम तक सीमित किया, उन्हें नियंत्रित प्रयोगशाला स्थितियों में रखा और उन्हें दो विकल्पों के साथ केवल सबसे सरल निर्णय लेने की अनुमति दी, जैसे भूलभुलैया में दाएं या बाएं मोड़ का चयन करना। इस तरह के सरलीकरण कभी-कभी उपयोगी और सूचनात्मक होते हैं, लेकिन कृत्रिम प्रतिबंध भी वैज्ञानिकों को प्राकृतिक व्यवहार की समझ को बदनाम करते हैं और महत्वपूर्ण संकेतों के नुकसान का कारण बन सकते हैं। कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी में सैद्धांतिक तंत्रिका विज्ञान में पोस्टडॉक्टरल छात्र एन कैनेडी ने कहा, "व्यवहार को समझने की आवश्यकता इन अध्ययनों के दायरे को पूरी तरह से सीमित करती है।"

इसलिए, वैज्ञानिकों ने इस क्षेत्र को नवीनीकृत करने का फैसला किया, "एक मात्रात्मक दृष्टिकोण के बारे में अपनी सोच को बदलकर," टैल्मो परेरा ने कहा, मूर्ति और जोशुआ शेविका की प्रयोगशालाओं में उनके प्रिंसटन में स्नातक छात्र। और इस बदलाव में एक महत्वपूर्ण कदम डेटा संग्रह और विश्लेषण दोनों का स्वचालन था।

ट्रैक थूथन, रीढ़ और पूंछ

चलती जानवरों की मुद्राओं को ट्रैक करने में इमेज कैप्चर तकनीक हमेशा महत्वपूर्ण रही है। 19 वीं शताब्दी में, एडवर्ड मेब्रिज ने घोड़े के चलने और लोगों के नाच के यांत्रिकी का विश्लेषण करने के लिए क्रोनो-फोटोग्राफी का उपयोग किया। तस्वीरों ने जानवरों के अंगों या सिर की स्थिति का विश्लेषण करना आसान बना दिया और इस प्रक्रिया को और अधिक सटीक बना दिया। वीडियो रिकॉर्डिंग तकनीक के आगमन के साथ, शोधकर्ता अधिक सटीक माप करने में सक्षम थे - हालांकि, उन्हें अभी भी जानवर की गति या स्थिति के मोटे अनुमान पर आधारित होना था। हर आंदोलन को तीन आयामों में ट्रैक करना असंभव था। और फिर भी, वीडियो के लिए सभी नोटों को मैन्युअल रूप से सूचीबद्ध करने और उन्हें कंप्यूटर में दर्ज करने के लिए बहुत काम करना पड़ा - नोटबुक में स्केचिंग के पुराने तरीके की तुलना में इस प्रक्रिया में बहुत सुधार नहीं हुआ है।


एडवर्ड मेब्रिज ने घोड़े और अन्य गतिशील जानवरों के चाल का अध्ययन करने के लिए टाइम-लैप्स फोटोग्राफी का इस्तेमाल किया। उनका कैमरा मानव आँख के लिए दुर्गम विवरणों को कैप्चर और कैप्चर कर सकता था।

1980 के दशक में, शोधकर्ताओं ने अपने उद्देश्यों के लिए कंप्यूटर विज़न एल्गोरिदम को अनुकूलित करना शुरू किया, जिसका उपयोग पहले से ही चित्रों में चेहरे और आकृति की खोज करने के लिए किया गया था, ताकि सतह पर मक्खियों के आकृति को ट्रैक करने जैसी समस्याओं को हल किया जा सके। निम्नलिखित दशकों में, सिस्टम विकसित किए गए थे जो वीडियो के प्रत्येक फ्रेम में जानवर के स्थान को नोट करते थे, कई के समूह में एक विशिष्ट जानवर मिला, और यहां तक ​​कि शरीर के कुछ हिस्सों और उनके अभिविन्यास को निर्धारित करना शुरू किया।

फिर भी, इन कार्यक्रमों की प्रभावशीलता ने वांछित होने के लिए बहुत कुछ छोड़ दिया। "उनके बीच भविष्य में क्या हो सकता है, इसके संकेत थे," इंस्टीट्यूट फॉर द स्टडी ऑफ एनिमल बिहेवियर के निदेशक इयान कजिन ने उनके नाम पर कहा। जर्मनी में मैक्स प्लैंक। "हालांकि, वास्तव में जटिल कार्यक्रम केवल हाल ही में दिखाई दे सकते हैं, गहन शिक्षा के विकास के लिए धन्यवाद।"

गहन शिक्षण (जीओ) का उपयोग करते हुए, शोधकर्ताओं ने वीडियो के प्रत्येक फ्रेम में लगभग किसी भी जानवर - कीड़े, चूहे, चमगादड़, मछली - के जोड़ों और शरीर के बड़े हिस्सों पर नज़र रखने में तंत्रिका नेटवर्क को प्रशिक्षित करना शुरू किया। केवल कुछ लेबल वाले फ़्रेम बनाने के लिए आवश्यक है (कुछ एल्गोरिदम के लिए दस पर्याप्त थे)। नतीजतन, कार्यक्रम जानवर के शरीर के शीर्ष पर रंगीन डॉट्स खींचता है, इसकी नाक, पूंछ, कान, पैर, पैर, पंख, रीढ़ आदि की स्थिति का निर्धारण करता है।

पिछले कुछ वर्षों में, ऐसा करने वाले कार्यक्रमों की संख्या में नाटकीय रूप से वृद्धि हुई है, न केवल मशीन सीखने में प्रगति के लिए, बल्कि फिल्म निर्माताओं, एनिमेटरों और गेम उद्योग के पेशेवरों द्वारा मानव आंदोलनों को चिह्नित करने के समानांतर काम के लिए भी।


नई पद्धतियां विभिन्न जानवरों की मुद्राओं को उनकी बातचीत के दौरान ट्रैक कर सकती हैं। वीडियो में दिखाया गया है कि स्लैप एल्गोरिथ्म स्वचालित रूप से प्रेमालाप (बाएं) के दौरान मक्खियों के एक जोड़े के शरीर के कुछ हिस्सों को चिह्नित करता है और ट्रैक करता है और पर्यावरण का अध्ययन करने वाले दो चूहों।

बेशक, अगर आंदोलन हॉलीवुड या सिलिकॉन वैली की जरूरतों के लिए दर्ज किया गया है, तो लोगों के लिए विशेष सूट पहनना आसान है जो मार्करों के साथ लटकाए जाते हैं, जिसे सिस्टम आसानी से पालन कर सकता है। इन आंकड़ों का उपयोग मुद्राओं और आंदोलनों के विस्तृत मॉडल के निर्माण के लिए किया जा सकता है। हालांकि, जानवरों के अध्ययन के लिए पोशाक विकल्प उपयुक्त नहीं है।

पांच साल पहले, नॉर्वेजियन यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के एक न्यूरोसाइंटिस्ट जोनाथन व्हिटलॉक ने सक्रिय रूप से अध्ययन किए गए चूहों को ट्रैक करने के लिए एक और तरीका ढूंढना शुरू किया। उसने वह सब कुछ करने की कोशिश की जिसके बारे में वह सोच सकता था: उसने और उसके सहयोगियों ने चूहों को मुंडाया और उन्हें स्याही से अवरक्त प्रकाश को दर्शाया। उन्होंने जानवरों की पीठ पर कांच के मोतियों का एक निलंबन लगाया, जिसका उपयोग अक्सर चिंतनशील सड़क चिह्नों में किया जाता है। उन्होंने चमकदार स्याही और वार्निश के साथ जानवरों के जोड़ों को चित्रित किया। उन्होंने बहुत सी चीजों की कोशिश की, लेकिन यह काम नहीं किया, जैसा कि उन्हें करना चाहिए: कभी-कभी मार्करों को ट्रैक करने के लिए पर्याप्त उज्ज्वल नहीं था, कभी-कभी वे चूहों को परेशान करते थे, उनके व्यवहार को बाधित करते थे।

नतीजतन, व्हिटलॉक की टीम ने रीढ़ की गतिविधियों को फिर से बनाने और सिर के आंदोलनों को ट्रैक करने के लिए टेप के चार अतिरिक्त टुकड़ों के साथ एक छोटे से हेलमेट पर लगाने के लिए जानवर के पीछे तीन बिंदुओं पर चिंतनशील टेप के छोटे-छोटे टुकड़े चिपका दिए। "यहां तक ​​कि हमारे लिए एक पूरी नई दुनिया खोलने के लिए पर्याप्त था," व्हिटलॉक ने कहा।

www.youtube.com/watch?v=3RaHuybwtFI&feature=youtu.be
मक्खी में कुछ न्यूरॉन्स को सक्रिय करके, शोधकर्ताओं ने उसे एक गोलाकार हिंडोला के साथ पीछे जाने के लिए मजबूर किया। गहरी सीखने की विधि ने एक मक्खी के पैरों के जोड़ों में कोणों में परिवर्तन को मापा और पैरों, पेट और एंटेना के आंदोलन को त्रि-आयामी अंतरिक्ष में प्रदर्शित किया।

लेकिन कई शोधकर्ता सभी प्रकार के मार्करों से छुटकारा चाहते थे, और जानवरों के शरीर पर किसी भी सात बिंदुओं से अधिक को ट्रैक करते थे। जानवरों और मनुष्यों के साथ पिछले काम से विचारों को मिलाकर, कई प्रयोगशालाओं ने आसानी से उपयोग की जाने वाली प्रणालियां बनाई हैं जो आज व्यापक रूप से उपयोग की जाती हैं।

इनमें से पहला सिस्टम पिछले साल काम किया था। DeepLabCut को हार्वर्ड न्यूरोसाइंटिस्ट्स मैकेंजी मैटिस और अलेक्जेंडर मैटिस द्वारा विकसित किया गया था , जिसके पास हजारों वस्तुओं को वर्गीकृत करने के लिए प्रशिक्षित एक तंत्रिका नेटवर्क के लिए रीमेक था। जल्द ही, अन्य परियोजनाएं तेजी से दिखाई दीं: एलईएपी (लीप एस्टिमेट्स एनिमल पोज), जिसे परेरा और अन्य ने मूर्ति और शेविट्स की प्रयोगशालाओं में विकसित किया; SLEAP, एक ही टीम से अगला संस्करण, कई बातचीत करने वाले जानवरों के शरीर के अंगों की स्थिति पर नज़र रखने; कोज़िन का डीपस्पॉइट , कुछ महीने पहले प्रकाशित हुआ।

"वह बहुत जल्दी सीख सकती है," मोर्टी LEAP प्रणाली का वर्णन करती है। "10-15 मिनट में, आप उसे सभी वीडियो के साथ स्वचालित रूप से काम करने के लिए प्रशिक्षित कर सकते हैं।" अन्य समूह दो आयामी स्थान के बजाय त्रि-आयामी मॉडलिंग में काम कर रहे हैं, एक ही मॉडल को कई कैमरों के साथ कैलिब्रेट कर रहे हैं।

"अंदर, ये प्रौद्योगिकियां अविश्वसनीय रूप से जटिल हो सकती हैं," कुज़िन ने कहा, "अब तक वे माउस के व्हिस्की के आंदोलनों पर नज़र रखने से लेकर चींटी या मछली के स्कूलों के गठन तक के कार्यों में बहुत व्यापक रूप से लागू करने के लिए आश्चर्यजनक रूप से आसान हैं।"

व्हिटलॉक ने पाया कि उन्होंने जिन चूहों का अध्ययन किया, उनमें कुछ आंदोलनों और स्थितियों को कॉर्टेक्स के कुछ हिस्सों में एन्कोड किया गया, जो समन्वित आंदोलनों में भाग लेता है - और, संभवतः, अन्य गतिविधियों में। "मस्तिष्क के ये क्षेत्र बहुत सक्रिय हैं कि जानवर कैसे अपना सिर रखता है," उन्होंने कहा। "हम पहले सूचना प्रसंस्करण के इस पहलू को छाल में नहीं लेते थे," क्योंकि शोधकर्ता स्वतंत्र रूप से चलने वाले जानवरों के आंदोलनों को ट्रैक करने में सक्षम नहीं थे।

जानवरों के आसन को दर्शाते हुए, एल्गोरिदम इसके व्यवहार को बेहतर ढंग से समझने में मदद करता है। वास्तव में, व्यवहार के सभी औसत दर्जे के पहलू "समय के साथ आसन में परिवर्तन" हैं, व्हिटलॉक ने कहा। "और हमने पोज़ पढ़ना सीख लिया।"

क्योंकि आसन ट्रैकिंग सॉफ़्टवेयर ने डेटा एकत्र करना आसान बना दिया, "हार्वर्ड विश्वविद्यालय के एक व्यवहार जीवविज्ञानी बेंजामिन डी बेवर्ट ने कहा," अब हम अन्य कार्यों पर स्विच कर सकते हैं। उदाहरण के लिए: व्यवहार के निर्माण ब्लॉकों को कैसे परिभाषित करें और उनकी व्याख्या कैसे करें?

छिपी हुई भाषा

इन सवालों के जवाब देने का प्रयास पर्यवेक्षक के अंतर्ज्ञान पर निर्भर करता है - "त्रुटिहीन धारणा" पर, नैतिकतावादी (पशु व्यवहार विशेषज्ञ) मजाक के रूप में। हालांकि, अंतर्ज्ञान पूर्वाग्रह के कारण होता है, प्रजनन की समस्याओं और सामान्यीकरण में कठिनाइयों के साथ।

तेल अवीव विश्वविद्यालय के जूलॉजिस्ट इलियान गोलानी ने पिछले छह दशकों में अधिकांश समय बिताया है ताकि व्यवहार का वर्णन और विश्लेषण करने के लिए एक कम यादृच्छिक तरीके की तलाश की जा सके - जो व्यवहार की मूलभूत इकाइयों का उपयोग करेगा, रसायन विज्ञान में परमाणुओं की तरह कुछ। वह व्यवहार को "प्रेमालाप" या "खिला" के रूप में वर्णित नहीं करना चाहता था। वह चाहते थे कि यह लक्षण वर्णन स्वाभाविक रूप से प्रकट हो, पशु शरीर रचना विज्ञान से प्राप्त नियमों के एक सामान्य समूह से। गोलानी के अपने मॉडल हैं कि इन इकाइयों और नियमों को कैसे देखना चाहिए, लेकिन उनका मानना ​​है कि यह क्षेत्र अभी भी इस पर आम सहमति तक पहुंचने से दूर है।

इसके विपरीत, अन्य शोधकर्ता आश्वस्त हैं कि एमओ और जीओ इस क्षेत्र को आम सहमति की ओर ले जाने की अधिक संभावना है। लेकिन DeepLabCut, LEAP, और अन्य उन्नत आसन ट्रैकिंग एल्गोरिदम शिक्षक प्रशिक्षण पर भरोसा करते हैं - उन्हें मैन्युअल रूप से लेबल किए गए डेटा के आधार पर शरीर के अंगों को पहचानने के लिए प्रशिक्षित किया जाता है। शिक्षक के बिना सीखने के माध्यम से वैज्ञानिकों को व्यवहार के बुनियादी निर्माण ब्लॉकों को खोजने और उनका विश्लेषण करने की उम्मीद है। इस तरह का एक दृष्टिकोण, शायद, हमारे लिए अदृश्य रूप से व्यवहार की संरचना को स्वतंत्र रूप से प्रकट करने में सक्षम होगा, ताकि लोगों को सिस्टम पर हर अगले कदम को थोपना न पड़े, छिपी हुई पूर्वाग्रहों से उत्पन्न त्रुटियों का परिचय दे।

इस दृष्टिकोण का एक दिलचस्प उदाहरण 2008 में दिखाई दिया, जब शोधकर्ताओं ने कृमि आंदोलन की चार बुनियादी इकाइयों की पहचान की, जिन्हें इस जानवर के लिए उपलब्ध लगभग सभी आंदोलनों को प्राप्त करते हुए एक साथ जोड़ा जा सकता है। यह कॉम्पैक्ट प्रतिनिधित्व, जिसे "ईजेनवॉर्म" कहा जाता है ["ईजेन" से, अर्थात "अपना" / लगभग। अनुवाद।], व्यवहार की गतिशीलता का आकलन करने के लिए एक मात्रात्मक विधि प्रदान करता है।


हार्वर्ड मेडिकल स्कूल में बॉब दत्ता की प्रयोगशाला में निर्मित मोशन सीक्वेंसिंग एल्गोरिथ्म चूहों की व्यवहारिक गतिशीलता में छोटी इकाइयों, या "सिलेबल्स" को परिभाषित करता है। वैज्ञानिकों का सुझाव है कि चूहों के व्यवहार में ऐसे सिलेबल्स होते हैं, जो कुछ "व्याकरणिक" नियमों के अनुसार एक दूसरे का अनुसरण करते हैं।
वीडियो में ऐसी व्यवहारिक इकाइयों के छह उदाहरण ("नीचे झुकना और झटका", "आगे बढ़ना", "धोना", "अपने चेहरे पर शिकन", "आक्रामकता", "भागने का प्रयास") को दिखाया गया है। उनमें से प्रत्येक अलग-अलग चूहों को ट्रैक करने पर आधारित है; दिखने वाले डॉट्स समान सरल व्यवहार का संकेत देते हैं।

दत्ता ने 2013 में Xbox Kinect से एक तरकीब अपनाते हुए इसे एक नए स्तर पर ले लिया, और इसके साथ सफलता प्राप्त की। जब उन्होंने और उनके सहयोगियों ने चूहों के आंदोलनों का वर्णन करते हुए एकत्रित आंकड़ों को देखा, तो वे आश्चर्यचकित थे कि वे कितनी जल्दी उनमें संरचना देखने में सक्षम थे। जानवरों के त्रि-आयामी व्यवहार की गतिशीलता स्वाभाविक रूप से छोटे खंडों में विघटित हो गई, औसतन लगभग 300 एमएस। “और यह सिर्फ डेटा है। मैं आपको कच्चा डेटा दिखा रहा हूं, "दत्ता ने कहा। "यह माउस व्यवहार का एक मौलिक गुण है।"

उन्होंने तय किया कि ये सेगमेंट बहुत हद तक समान थे कि व्यवहार की इकाइयों को नियमों या व्याकरण के समूह द्वारा एक साथ मिलकर बनाए गए सिलेबल्स की तरह कैसे दिखना चाहिए। उन्होंने और टीम ने एक गहरा तंत्रिका नेटवर्क बनाया जो इन सिलेबल्स को परिभाषित करता है। वह जानवर की गतिविधि को खंडों में विभाजित करने का एक तरीका खोज रही थी ताकि वे भविष्य के व्यवहार की भविष्यवाणी करने का सबसे अच्छा तरीका बन सकें। मोशन सीक्वेंसिंग (MoSeq) नामक इस एल्गोरिथ्म ने "सिलेबल्स" का निर्माण किया, जिसे शोधकर्ताओं ने "रन फॉरवर्ड" या "क्राउच एंड जर्क" या "भागने का प्रयास" जैसे नाम दिए। एक विशिष्ट प्रयोग में, माउस ने 40-50 ऐसे सिलेबल्स का उपयोग किया, और उनमें से केवल कुछ लोगों ने ही इसका नाम रखा।

"उनका एल्गोरिथ्म व्यवहार को अलग कर सकता है जिसके लिए हमारे पास एक नाम भी नहीं है," व्हिटलॉक ने कहा।

शोधकर्ता अब इन व्यवहारों के जैविक या पर्यावरणीय महत्व को निर्धारित करने की कोशिश कर रहे हैं जो पहले नहीं देखे गए थे। वे अध्ययन करते हैं कि ये व्यवहार तत्व अलग-अलग व्यक्तियों, या लिंगों, या प्रजातियों के बीच कैसे भिन्न होते हैं, कैसे वे उम्र के साथ या बीमारी के परिणामस्वरूप टूटना शुरू करते हैं, कैसे वे प्रशिक्षण के दौरान या विकास के दौरान उत्पन्न होते हैं। , , , .

.

, , , , «» , MoSeq, . « , , — . – , , ».

, . , , . , , . « , — , — , . ».

, , , . , , .

. , - Motion Mapper. , , , , . , « » - Motion Mapper .

, . , , . , , , , , , .

, Nature Neuroscience, , , , . , «», «», «». , , , , , , . « , », — .

SLEAP. « , , », — .

, , . , , . , , - , , .

«, , », — . , «- ». , « , , , , , . ».

« , , — . – . . , ».