Onderzoek onder leiding van de Universiteit van Plymouth heeft aangetoond dat een nieuw deep learning AI-model op video kan identificeren wat er gebeurt en wanneer tijdens de embryonale ontwikkeling.

Gepubliceerd in het Journal of Experimental Biology benadrukt de studie, getiteld "Dev-ResNet:Automated developmental event detectie met behulp van deep learning", hoe het model, bekend als Dev-ResNet, het optreden van belangrijke functionele ontwikkelingsgebeurtenissen bij vijverslakken kan identificeren, waaronder de hartfunctie, kruipen, uitkomen en zelfs de dood.

Een belangrijke innovatie in dit onderzoek is het gebruik van een 3D-model dat gebruikmaakt van veranderingen tussen frames van de video, waardoor de AI van deze kenmerken kan leren, in tegenstelling tot het meer traditionele gebruik van stilstaande beelden.

Het gebruik van video betekent dat kenmerken variërend van de eerste hartslag of kruipgedrag tot en met de vorming van granaten of het uitkomen van de granaten op betrouwbare wijze worden gedetecteerd door Dev-ResNet. Dit heeft gevoeligheden van verschillende kenmerken voor temperatuur aan het licht gebracht die nog niet eerder bekend waren.

Hoewel het model voor deze studie wordt gebruikt in embryo's van vijverslakken, zeggen de auteurs dat het model breed toepasbaar is voor alle soorten, en dat ze uitgebreide scripts en documentatie bieden voor het toepassen van Dev-ResNet in verschillende biologische systemen.

In de toekomst zou de techniek kunnen worden gebruikt om het inzicht te helpen vergroten in de manier waarop klimaatverandering en andere externe factoren mensen en dieren beïnvloeden.

Het werk werd geleid door Ph.D. kandidaat, Ziad Ibbini, die BSc Conservation Biology aan de universiteit heeft gestudeerd, voordat hij een jaar de tijd nam om zichzelf bij te scholen in softwareontwikkeling en vervolgens aan zijn Ph.D. Hij ontwierp, trainde en testte Dev-ResNet zelf.

Hij zei:"Het afbakenen van ontwikkelingsgebeurtenissen – of uitzoeken wat er gebeurt in de vroege ontwikkeling van een dier – is zo uitdagend, maar ongelooflijk belangrijk omdat het ons helpt veranderingen in de timing van gebeurtenissen tussen soorten en omgevingen te begrijpen.

"Dev-ResNet is een klein en efficiënt 3D convolutioneel neuraal netwerk dat ontwikkelingsgebeurtenissen kan detecteren met behulp van video's, en relatief eenvoudig kan worden getraind op consumentenhardware.

"De enige echte beperkingen liggen in het creëren van de gegevens om het deep learning-model te trainen. We weten dat het werkt, je hoeft het alleen maar de juiste trainingsgegevens te geven.

"We willen de bredere wetenschappelijke gemeenschap uitrusten met de hulpmiddelen waarmee ze beter kunnen begrijpen hoe de ontwikkeling van een soort wordt beïnvloed door verschillende factoren, en zo kunnen identificeren hoe we ze kunnen beschermen. We denken dat Dev-ResNet een belangrijke stap is in de richting van die richting."

Dr. Oli Tills, senior auteur van het artikel en UKRI Future Leaders Research Fellow, voegde hieraan toe:“Dit onderzoek is belangrijk op technologisch niveau, maar het is ook belangrijk voor het bevorderen van de manier waarop we de ontwikkeling van organismen waarnemen – iets dat de Universiteit van Plymouth binnen de onderzoeksgroep Ecofysiologie en Ontwikkeling, heeft meer dan 20 jaar onderzoeksgeschiedenis.

"Deze mijlpaal zou niet mogelijk zijn geweest zonder deep learning, en het is spannend om te bedenken waar deze nieuwe mogelijkheid ons naartoe zal leiden in het onderzoek naar dieren tijdens hun meest dynamische levensperiode."

Meer informatie: Dev-ResNet:Geautomatiseerde detectie van ontwikkelingsgebeurtenissen met behulp van deep learning, Journal of Experimental Biology (2024). DOI:10.1242/jeb.247046

Journaalinformatie: Journal of Experimental Biology

Aangeboden door Universiteit van Plymouth