Wetenschap
Kunstmatige intelligentie lost conflicten op die onderzoek naar diergedrag belemmeren
Er is kunstmatige intelligentiesoftware ontwikkeld om het gedrag van dieren snel te analyseren, zodat gedrag nauwkeuriger kan worden gekoppeld aan de activiteit van individuele hersencircuits en neuronen, melden onderzoekers in Seattle.
"Het programma belooft niet alleen het onderzoek naar de neurobiologie van gedrag te versnellen, maar ook om vergelijkingen mogelijk te maken en resultaten met elkaar te verzoenen die het niet eens zijn vanwege verschillen in de manier waarop individuele laboratoria gedrag observeren, analyseren en classificeren", zegt Sam Golden, assistent-professor biologische structuur bij de University of Washington School of Medicine.
"Deze aanpak stelt laboratoria in staat om gedragsprocedures te ontwikkelen zoals zij dat willen en maakt het mogelijk om algemene vergelijkingen te maken tussen de resultaten van onderzoeken die verschillende gedragsbenaderingen gebruiken," zei hij.
Een artikel waarin het programma wordt beschreven, verschijnt in het tijdschrift Nature Neuroscience . Golden en Simon Nilsson, een postdoctoraal onderzoeker in het Golden lab, zijn de senior auteurs van het artikel. De eerste auteur is Nastacia Goodwin, een afgestudeerde student in het laboratorium.
De studie van de neurale activiteit achter het gedrag van dieren heeft geleid tot grote vooruitgang in het begrip en de behandeling van menselijke aandoeningen als verslaving, angst en depressie.
Een groot deel van dit werk is gebaseerd op observaties die nauwgezet zijn vastgelegd door individuele onderzoekers die dieren in het laboratorium bekijken en hun fysieke reacties op verschillende situaties noteren, en dat gedrag vervolgens in verband brengen met veranderingen in de hersenactiviteit.
Om bijvoorbeeld de neurobiologie van agressie te bestuderen, kunnen onderzoekers twee muizen in een afgesloten ruimte plaatsen en tekenen van agressie registreren. Deze omvatten doorgaans observaties van de fysieke nabijheid van de dieren tot elkaar, hun houding en fysieke verschijnselen zoals snelle spiertrekkingen of ratelen van de staart.
Het annoteren en classificeren van dergelijk gedrag is een veeleisende, langdurige taak. Het kan moeilijk zijn om belangrijke details nauwkeurig te herkennen en te beschrijven, zei Golden. "Sociaal gedrag is erg ingewikkeld, gebeurt heel snel en is vaak genuanceerd, dus veel componenten ervan kunnen verloren gaan als een individu het observeert."
Om dit proces te automatiseren hebben onderzoekers op AI gebaseerde systemen ontwikkeld om componenten van het gedrag van een dier te volgen en het gedrag automatisch te classificeren, bijvoorbeeld als agressief of onderdanig.
Omdat deze programma's ook sneller details kunnen registreren dan een mens, is het veel waarschijnlijker dat een actie nauw gecorreleerd kan zijn met neurale activiteit, die doorgaans in milliseconden plaatsvindt.
Eén zo'n programma, ontwikkeld door Nilsson en Goodwin, heet SimBA, voor Simple Behavioral Analysis. Het open-sourceprogramma beschikt over een eenvoudig te gebruiken grafische interface en vereist geen speciale computervaardigheden. Het is algemeen aanvaard door gedragswetenschappers.
"Hoewel we SimBA voor een knaagdierlaboratorium hebben gebouwd, kregen we meteen e-mails van allerlei soorten laboratoria:wespenlaboratoria, mottenlaboratoria, zebravislaboratoria", aldus Goodwin.
Maar naarmate meer laboratoria deze programma's gebruikten, ontdekten de onderzoekers dat vergelijkbare experimenten enorm verschillende resultaten opleverden.
"Het werd duidelijk dat de manier waarop een laboratorium of een persoon gedrag definieert behoorlijk subjectief is, zelfs als wordt geprobeerd bekende procedures te repliceren," zei Golden.
Bovendien was het moeilijk om rekening te houden met deze verschillen, omdat het vaak onduidelijk is hoe AI-systemen tot hun resultaten komen, omdat hun berekeningen plaatsvinden in wat vaak wordt gekarakteriseerd als 'een zwarte doos'.
In de hoop deze verschillen te kunnen verklaren, hebben Goodwin en Nilsson in SimBA een machine-learning verklaarbaarheidsbenadering opgenomen die de zogenoemde Shapely Additive exPlanations (SHAP)-score oplevert.
Wat deze verklaarbaarheidsbenadering in wezen doet, is bepalen hoe het verwijderen van een kenmerk dat wordt gebruikt om gedrag te classificeren, bijvoorbeeld het ratelen van de staart, de waarschijnlijkheid van een nauwkeurige voorspelling door de computer verandert.
Door verschillende kenmerken uit duizenden verschillende combinaties te verwijderen, kan SHAP bepalen hoeveel voorspellende kracht wordt geleverd door een individueel kenmerk dat wordt gebruikt in het algoritme dat het gedrag classificeert. De combinatie van deze SHAP-waarden definieert vervolgens het gedrag kwantitatief, waardoor de subjectiviteit in gedragsbeschrijvingen wordt verwijderd.
"Nu kunnen we de respectievelijke gedragsprotocollen (van verschillende laboratoria) vergelijken met behulp van SimBA en zien of we objectief naar hetzelfde of ander gedrag kijken," zei Golden.
"Deze aanpak stelt laboratoria in staat om experimenten te ontwerpen zoals ze willen, maar omdat je nu direct gedragsresultaten kunt vergelijken van laboratoria die verschillende gedragsdefinities gebruiken, kun je duidelijkere conclusies trekken tussen hun resultaten. Voorheen konden inconsistente neurale gegevens aan veel mensen worden toegeschreven verwart, en nu kunnen we gedragsverschillen duidelijk uitsluiten terwijl we streven naar reproduceerbaarheid en interpreteerbaarheid in meerdere laboratoria, "zei Golden...