Cientistas automatizam pesquisa de comportamento animal para decodificar a função cerebral

O aprendizado de máquina e as redes neurais profundas são capazes de reconhecer e analisar a "linguagem do comportamento" dos animais de maneiras que estão além das capacidades humanas

Para rastrear os movimentos dos animais no ambiente natural, os cientistas estão cada vez mais se voltando para os métodos de aprendizado de máquina (MO). Neste vídeo, o algoritmo DeepPoseKit rastreia o movimento e a orientação de um gafanhoto do deserto em um espaço confinado para fornecer aos pesquisadores dados sobre o comportamento conjunto de insetos.

Em uma tentativa de entender o que estava acontecendo nas cabeças dos animais, os neurocientistas foram enviados de maneiras inesperadas: de espiar diretamente no cérebro vivo até controlar neurônios usando flashes de luz, criando dispositivos complexos e ambientes virtuais.

Em 2013, isso levou o neurocientista Bob Dattu, juntamente com colegas da Harvard Medical School, ao supermercado Best Buy, localizado na mesma rua do laboratório.

Na loja de eletrônicos, eles encontraram o que procuravam: o Xbox Kinect, um dispositivo de jogos que detecta os movimentos dos jogadores. Os cientistas tiveram que observar os menores detalhes dos movimentos dos ratos que estudaram, mas nenhuma das tecnologias tradicionais de laboratório conseguiu lidar com isso. Portanto, o grupo de Datta se voltou para o brinquedo para usar suas informações tridimensionais sobre os movimentos dos corpos dos animais para estudar seu comportamento no ambiente. O dispositivo, de fato, deu a eles uma nuvem de pontos no espaço tridimensional, e a equipe analisou os movimentos rítmicos desses pontos.

A decisão de Datta pode ter sido pouco ortodoxa para a época, mas tornou-se simbólica da onda atual de abordagem automática que transforma a ciência do comportamento. Ao estudar o comportamento animal de maneira mais abrangente e quantitativa, os pesquisadores esperam entender melhor os estados internos não observáveis ​​responsáveis ​​por ele. "Não sabemos em que condições o animal pode estar", escreveu Adam Calhoun , um pós-doutorado que estuda o comportamento animal na Universidade de Princeton.

Outro obstáculo surge ao tentar comparar esses estados internos de uma atividade específica nos complexos circuitos neurais do cérebro. Embora instrumentos sofisticados possam registrar o trabalho de milhares de neurônios ao mesmo tempo, "não entendemos a saída do cérebro", disse Dutta. "Para entender essa densa codificação neural, você precisa ter acesso a uma compreensão mais ampla do comportamento".

Esse vasto entendimento pode sucumbir em breve às nossas tentativas de entendê-lo. Com base no sucesso do aprendizado de máquina, os cientistas estão criando algoritmos que rastreiam automaticamente os movimentos dos animais, até pequenas mudanças no ângulo das asas de uma mosca ou dobrando as costas de um mouse. Eles também criam ferramentas que podem encontrar padrões analisando e classificando automaticamente esses dados para obter pistas sobre as condições internas dos animais.

A principal vantagem desses métodos é que eles são capazes de procurar padrões invisíveis para as pessoas. Em um artigo publicado no mês passado na revista Nature Neuroscience, Calhoun, juntamente com os neurocientistas de Princeton, Malaya Murty e Jonathan Pillow , criou um modelo de aprendizado de máquina que usa apenas observações comportamentais para determinar os três estados internos que determinam os hábitos de acasalamento das moscas da fruta. Ao manipular a atividade cerebral das moscas, os pesquisadores foram capazes de determinar o conjunto de neurônios que controlavam essas condições.

O trabalho sobre rastreamento de movimento e análise comportamental que possibilitou essas descobertas representa uma revolução tecnológica no estudo do comportamento. Segue-se também que este é o primeiro de muitos sucessos futuros. Os cientistas agora usam esses métodos para encontrar respostas para perguntas em neurobiologia, genética, evolução e medicina, que até agora pareciam insolúveis.

Logs e diretórios

Durante décadas, os cientistas quantificaram o comportamento dos animais em laboratórios e no ambiente natural, armados com uma caneta, papel e um cronômetro. Eles assistiram seus sujeitos experimentais dormirem, brincarem, procurarem comida e companheiro. Eles avaliaram as observações, esboçaram padrões de padrões e criaram plataformas organizacionais para sistematizar e explicar essas tendências. Os biólogos Nikolaas Tinbergen, Konrad Lorenz e Karl von Frisch receberam o Prêmio Nobel de 1973 por conduzir independentemente experiências semelhantes com peixes, pássaros e insetos.


O zoólogo Ilan Golani esboçou manualmente o movimento e o comportamento de várias espécies para descrever quantitativamente as regras que governam o comportamento dos animais. Essas figuras mostram a rotação de todo o corpo pelo texugo de mel.

Esses catálogos de comportamento podem ser extremamente detalhados . Em uma descrição de 1973 de como lavar um rato, a Nature descreveu o “movimento agitado das pernas dianteiras sob o focinho” e os “movimentos amplos, síncronos mas assimétricos das pernas dianteiras acima da cabeça”, e avaliou a probabilidade de tais gestos em diferentes situações. Os pesquisadores precisavam descrever tudo com tanto detalhe, porque não sabiam qual aspecto do comportamento observado poderia ser importante.

Alguns cientistas abordaram esse assunto do lado oposto, limitando ao mínimo a variedade de comportamentos dos animais, colocando-os em condições controladas de laboratório e permitindo que eles tomassem apenas as decisões mais simples com duas opções, como escolher a curva à direita ou à esquerda no labirinto. Tais simplificações às vezes têm sido úteis e informativas, mas restrições artificiais também desacreditam a compreensão dos cientistas sobre o comportamento natural e podem levar à perda de sinais importantes. "A necessidade de entender o comportamento limita perfeitamente o escopo desses estudos", disse Ann Kennedy , uma estudante de pós-doutorado em neurociência teórica no Instituto de Tecnologia da Califórnia.

Portanto, os cientistas decidiram renovar essa área, "mudando seu pensamento para uma abordagem quantitativa", disse Talmo Pereira , estudante de graduação nos laboratórios de Murty e Joshua Shevica, em Princeton. E um passo importante nessa mudança foi a automação da coleta e análise de dados.

Focinho, coluna e cauda da trilha

A tecnologia de captura de imagem sempre foi importante no rastreamento das posturas de animais em movimento. No século 19, Edward Maybridge usou a crono-fotografia para analisar a mecânica da corrida de cavalos e da dança das pessoas. As fotografias facilitaram a análise da posição, digamos, dos membros ou da cabeça do animal, e tornaram esse processo mais preciso. Com o advento da tecnologia de gravação de vídeo, os pesquisadores conseguiram fazer medições mais precisas - no entanto, eles ainda precisavam se basear em estimativas aproximadas da velocidade ou posição do animal. Rastrear todos os movimentos em três dimensões era impossível. E ainda assim, muito trabalho foi feito para catalogar manualmente todas as anotações do vídeo e inseri-las no computador - esse processo não melhorou muito em comparação com o método mais antigo de desenhar em notebooks.


Edward Maybridge usou a fotografia em lapso de tempo para estudar a marcha de um cavalo e outros animais em movimento. Sua câmera poderia capturar e capturar detalhes inacessíveis ao olho humano.

Na década de 1980, os pesquisadores começaram a adaptar algoritmos de visão computacional para seus propósitos, que já eram usados ​​para procurar rostos e contornos em imagens, para resolver problemas como rastrear os contornos de moscas na superfície. Nas décadas seguintes, foram desenvolvidos sistemas que observavam a localização do animal em cada quadro do vídeo, encontravam um animal específico em um grupo de vários e até começavam a determinar certas partes do corpo e sua orientação.

No entanto, a eficácia desses programas deixou muito a desejar. "Entre eles, havia dicas do que poderia acontecer no futuro", disse Ian Cousin , diretor do Instituto para o Estudo do Comportamento Animal em homenagem a ele. Max Planck na Alemanha. "No entanto, programas realmente complexos só poderiam aparecer recentemente, graças ao desenvolvimento de aprendizado profundo".

Usando o aprendizado profundo (GO), os pesquisadores começaram a treinar redes neurais no rastreamento da posição das articulações e grandes partes do corpo de quase todos os animais - insetos, ratos, morcegos, peixes - em cada quadro do vídeo. Só é necessário criar alguns quadros rotulados (dez foram suficientes para alguns algoritmos). Como resultado, o programa desenha pontos coloridos em cima do corpo do animal, determinando a posição do nariz, cauda, ​​orelhas, pernas, pés, asas, coluna, etc.

Nos últimos anos, o número de programas que podem fazer isso aumentou dramaticamente, graças não apenas ao progresso no aprendizado de máquina, mas também ao trabalho paralelo de marcar movimentos humanos com cineastas, animadores e especialistas da indústria de jogos.


Novos métodos podem rastrear as posturas de vários animais durante sua interação. O vídeo mostra como o algoritmo SLEAP marca e rastreia automaticamente partes dos corpos de um par de moscas durante o namoro (à esquerda) e dois ratos estudando o ambiente.

Obviamente, se o movimento for registrado para as necessidades de Hollywood ou do Vale do Silício, é fácil as pessoas usarem ternos especiais pendurados com marcadores, que o sistema pode seguir facilmente. Esses dados podem ser usados ​​para criar modelos detalhados de posturas e movimentos. No entanto, a opção de traje não é adequada para o estudo de animais.

Há cinco anos, Jonathan Whitlock, neurocientista da Universidade Norueguesa de Ciência e Tecnologia, começou a procurar ativamente outra maneira de rastrear os ratos que estudou. Ele tentou tudo o que pôde pensar: ele e seus colegas rasparam os ratos e os marcaram com tinta refletindo a luz infravermelha. Eles aplicaram uma suspensão de contas de vidro nas costas dos animais, que é frequentemente usada em marcações refletivas nas estradas. Eles pintaram juntas de animais com tinta e verniz luminosos. Eles tentaram muitas coisas, mas não funcionou como deveriam: às vezes os marcadores não eram brilhantes o suficiente para rastrear, às vezes irritavam os ratos, interrompendo seu comportamento.

Como resultado, a equipe de Whitlock decidiu colar pequenos pedaços de fita reflexiva em três pontos na parte de trás do animal para recriar os movimentos da coluna e colocar um pequeno capacete com quatro pedaços adicionais de fita para rastrear os movimentos da cabeça. "Até isso foi suficiente para abrir um mundo totalmente novo para nós", disse Whitlock.

www.youtube.com/watch?v=3RaHuybwtFI&feature=youtu.be
Ao ativar certos neurônios na mosca, os pesquisadores a forçaram a retroceder ao longo de um carrossel esférico. O método de aprendizado profundo mediu a mudança de ângulos nas articulações das pernas de uma mosca e exibiu o movimento das pernas, abdômen e antenas no espaço tridimensional.

Mas muitos pesquisadores queriam se livrar de todos os tipos de marcadores e rastrear mais de sete pontos no corpo dos animais. Ao combinar as idéias de trabalhos anteriores com animais e seres humanos, vários laboratórios criaram sistemas fáceis de usar que são amplamente utilizados atualmente.

O primeiro desses sistemas funcionou no ano passado. O DeepLabCut foi desenvolvido pelos neurocientistas de Harvard Mackenzie Matis e Alexander Matis , refazendo para isso uma rede neural treinada para classificar milhares de objetos. Logo, outros projetos surgiram rapidamente: LEAP (Leap Estimates Animal Pose), desenvolvido por Pereira e outros nos laboratórios de Murty e Shevits; SLEAP, a próxima versão da mesma equipe, rastreando a posição de partes do corpo de vários animais em interação; O DeepPoseKit de Kozin, publicado há alguns meses.

"Ela pode aprender muito rapidamente", Morty descreve o sistema LEAP. "Em 10 a 15 minutos, você pode treiná-la para trabalhar automaticamente com todos os vídeos." Outros grupos estão trabalhando na modelagem de poses no espaço tridimensional, e não bidimensional, calibrando os mesmos modelos com várias câmeras.

"No interior, essas tecnologias podem ser incrivelmente complexas", disse Kuzin, "mas até agora são surpreendentemente fáceis de serem aplicadas a uma ampla gama de tarefas, desde o rastreamento dos movimentos dos bigodes do mouse até o comportamento de uma formiga ou a formação de cardumes de peixes".

Whitlock descobriu que nos camundongos que ele estudou, certos movimentos e posições foram codificados em partes do córtex, que participam de movimentos coordenados - e, possivelmente, em outras atividades. "Essas áreas do cérebro são muito ativas na maneira como o animal segura sua cabeça", disse ele. "Nós simplesmente não levamos esse aspecto do processamento de informações para o latido antes", porque os pesquisadores não foram capazes de rastrear os movimentos de animais que se moviam livremente.

Descrevendo esquematicamente a postura do animal, o algoritmo ajuda a entender melhor seu comportamento. De fato, todos os aspectos mensuráveis ​​do comportamento são "mudanças de postura ao longo do tempo", disse Whitlock. "E aprendemos a ler a pose."

Como o software de rastreamento de postura facilitou a coleta de dados, "agora podemos mudar para outras tarefas", disse Benjamin de Beavort , biólogo comportamental da Universidade de Harvard. Por exemplo: como definir blocos de construção de comportamento e como interpretá-los?

Idioma oculto

As tentativas de responder a essas perguntas por muito tempo dependiam da intuição do observador - da "percepção impecável", como brincam os etólogos (especialistas em comportamento animal). No entanto, a intuição está sujeita a preconceitos, problemas de reprodutibilidade e dificuldades de generalização.

O zoólogo Ilyan Golani, da Universidade de Tel Aviv, passou a maior parte das últimas seis décadas procurando uma maneira menos aleatória de descrever e analisar o comportamento - que usaria unidades fundamentais de comportamento, algo como átomos na química. Ele não queria descrever o comportamento como "namoro" ou "alimentação". Ele queria que essa caracterização aparecesse naturalmente, a partir de um conjunto geral de regras derivadas da anatomia animal. Golani tem seu próprio modelo de como essas unidades e regras devem parecer, mas ele acredita que essa área ainda está longe de chegar a um consenso sobre isso.

Outros pesquisadores, por outro lado, estão confiantes de que MO e GO têm maior probabilidade de levar essa área ao consenso. Mas o DeepLabCut, LEAP e outros algoritmos avançados de rastreamento de postura dependem do treinamento dos professores - eles são treinados para reconhecer partes do corpo com base em dados rotulados manualmente. Os cientistas esperam encontrar e analisar os blocos básicos de comportamento através do aprendizado sem um professor. Essa abordagem, talvez, será capaz de revelar independentemente a estrutura do comportamento invisível para nós, para que as pessoas não precisem impor todas as próximas etapas do sistema, introduzindo erros resultantes de vieses ocultos.

Um exemplo interessante dessa abordagem apareceu em 2008, quando os pesquisadores identificaram quatro unidades básicas de movimento de vermes que podem ser combinadas, recebendo quase todos os movimentos disponíveis para esse animal. Essa representação compacta, chamada "eigenworm" [de "eigen", ou seja, "Próprio" / aprox. transl.], oferece um método quantitativo para avaliar a dinâmica comportamental.


O algoritmo Motion Sequencing criado no laboratório de Bob Dutta na Harvard Medical School define pequenas unidades, ou "sílabas", na dinâmica comportamental de ratos. Os cientistas sugerem que o comportamento dos ratos consiste em tais sílabas, seguindo um ao outro de acordo com certas regras "gramaticais".
O vídeo mostra seis exemplos de tais unidades comportamentais ("curvar-se e empurrar", "correr para a frente", "lavar", "enrugar o rosto", "agressão", "tentativa de fuga"). Cada um deles é baseado no rastreamento de diferentes ratos; pontos aparentes indicam o mesmo comportamento simples.

A Datta levou essa abordagem a um nível totalmente novo em 2013, adotando um truque do Xbox Kinect, e rapidamente obteve sucesso com ele. Quando ele e seus colegas analisaram os dados coletados descrevendo os movimentos dos ratos, ficaram surpresos com a rapidez com que conseguiram ver a estrutura neles. A dinâmica do comportamento tridimensional dos animais se decompôs naturalmente em pequenos segmentos, com duração média de cerca de 300 ms. “E são apenas dados. Estou mostrando os dados brutos ", disse Datta. "Esta é apenas uma propriedade fundamental do comportamento do mouse".

Ele decidiu que esses segmentos eram muito semelhantes à forma como as unidades de comportamento deveriam parecer sílabas compostas juntas por um conjunto de regras ou gramática. Ele e a equipe fizeram uma profunda rede neural que define essas sílabas. Ela estava procurando uma maneira de dividir a atividade do animal em segmentos para que eles fossem a melhor maneira de prever o comportamento futuro. Esse algoritmo, chamado Motion Sequencing (MoSeq), produziu "sílabas", que os pesquisadores deram a nomes como "avançar" ou "agachar-se", ou "tentar escapar". Em um experimento típico, o mouse usava de 40 a 50 sílabas, e apenas algumas correspondiam ao nome das pessoas.

"O algoritmo deles pode isolar o comportamento para o qual nem temos nome", disse Whitlock.

Os pesquisadores agora estão tentando determinar a importância biológica ou ambiental desses comportamentos não vistos anteriormente. Eles estudam como esses elementos comportamentais diferem entre diferentes indivíduos, sexos ou espécies, como começam a se deteriorar com a idade ou como resultado de uma doença, como são produzidos durante o treinamento ou durante a evolução.Eles usam essa classificação automática para estudar como diferentes mutações nos genes e nos medicamentos afetam o comportamento e para descrever interações sociais.

E eles já estão começando a fazer as primeiras conexões com o cérebro e seus estados internos.

Prevendo condições e comportamentos cerebrais

Datta e colegas descobriram que, no estriado , a área do cérebro responsável pelo planejamento de habilidades motoras e outras funções, diferentes conjuntos de neurônios são ativados para ativar as várias "sílabas" de comportamento encontradas pelo programa MoSeq. Portanto, "sabemos que essa gramática é controlada diretamente pelo cérebro", disse Datta. "Este não é apenas um epifenômeno , é um fenômeno real controlado pelo cérebro."

Curiosamente, a representação neural de uma sílaba específica nem sempre foi a mesma. Ele mudou, refletindo a sequência em que essa sílaba estava localizada. Ao estudar a atividade dos neurônios, Dutta pôde dizer se uma sílaba específica fazia parte de uma sequência fixa ou variável. "No nível mais alto", disse ele, "isso sugere que o estriado não codifica apenas o comportamento desejado". Ele também fornece informações sobre seu contexto. ”

Ele apoiou ainda mais essa hipótese, verificando o que aconteceria quando o estriado parasse de funcionar corretamente. As sílabas permaneceram as mesmas, mas a gramática foi interrompida, a sequência de ações tornou-se mais aleatória e menos adaptativa.

Outros pesquisadores observam o que está acontecendo no cérebro por longos períodos de tempo. Gordon BermanO biofísico da Universidade de Emory usa o Motion Mapper, uma técnica de análise sem professores, para modelar o comportamento. Esse modelo, que possui elementos de comportamento em uma certa hierarquia, pode prever a atividade neural hierárquica do cérebro, como demonstrado em um artigo publicado por uma equipe de pesquisadores da Universidade de Viena. Berman diz que o "objetivo inspirador" desses estudos é usar um dia o Motion Mapper para prever a interação social dos animais.

E há Murty com sua equipe e sua busca por estados internos ocultos. Eles já criaram um modelo que usa medidas de movimento da mosca para prever como e quando uma mosca masculina começará a cantar. Eles descobriram que, por exemplo, com uma diminuição na distância entre o homem e a mulher, aumentava a probabilidade de o homem soltar uma música de um certo tipo.

Em um artigo recente publicado na revista Nature Neuroscience, os cientistas expandiram esse modelo para incluir possíveis estados internos ocultos das moscas masculinas que poderiam melhorar a qualidade das previsões sobre quais músicas o macho emitirá. A equipe descobriu três condições que eles chamaram de "intimidade", "perseguição" e "indiferença". Ao ativar vários neurônios e estudar os resultados disso com a ajuda de um modelo, eles descobriram que o conjunto de neurônios, que, como se pensava anteriormente, controla a distribuição de músicas, na verdade controla o estado da mosca. "Esta é uma interpretação diferente das tarefas dos neurônios que eles realizam como parte do controle do comportamento das moscas", disse Murty.

Agora eles estão desenvolvendo seus conhecimentos com o SLEAP. "Será muito interessante ver quais estados ocultos esse modelo ajudará a abrir quando incluirmos o rastreamento de poses de resolução mais alta", disse Pereira.

Os cientistas observam cautelosamente que essas técnicas devem melhorar e complementar a pesquisa comportamental tradicional, e não substituí-las completamente. Eles também concordam que muito trabalho precisa ser feito antes que eles comecem a descobrir os principais princípios universais de comportamento. Por exemplo, serão necessários modelos adicionais de aprendizado de máquina para associar dados de comportamento a outros tipos complexos de informações.

"Este é essencialmente o primeiro passo para pesquisar esse problema", disse Datta. Ele não tem dúvida de que "um cara apresentará uma maneira muito melhor de fazer isso". E, no entanto, “a vantagem dessa abordagem é que nos afastamos da prática dos etólogos, quando as pessoas discutiam entre si até gritar, para rouquidão, sobre cuja descrição do comportamento é melhor. Agora temos uma medida.

"Chegamos ao ponto em que os métodos podem acompanhar nossas perguntas", disse Murty. "Acabamos de abrir essa estrada." E removeu todas as restrições. As pessoas podem fazer o que quiserem. "