A inteligência artificial resolve conflitos que impedem a pesquisa do comportamento animal
Os pesquisadores de neurobiologia Sam Golden e Nastacia Goodwin analisam imagens cerebrais de microscopia fluorescente de folha de luz que revelam a atividade de neurônios individuais durante diferentes comportamentos. Eles estão em um laboratório de pesquisa do Departamento de Estrutura Biológica da Escola de Medicina da Universidade de Washington, em Seattle. Crédito:Michael McCarthy/UW Medicine O software de inteligência artificial foi desenvolvido para analisar rapidamente o comportamento animal, de modo que os comportamentos possam ser mais precisamente ligados à atividade de circuitos cerebrais e neurônios individuais, relatam pesquisadores em Seattle.
“O programa promete não apenas acelerar a pesquisa em neurobiologia do comportamento, mas também permitir a comparação e reconciliação de resultados que discordam devido a diferenças na forma como os laboratórios individuais observam, analisam e classificam os comportamentos”, disse Sam Golden, professor assistente de estrutura biológica na da Escola de Medicina da Universidade de Washington.
“A abordagem permite que os laboratórios desenvolvam procedimentos comportamentais da maneira que desejarem e possibilita fazer comparações gerais entre os resultados de estudos que utilizam diferentes abordagens comportamentais”, disse ele.
Um artigo descrevendo o programa foi publicado na revista Nature Neuroscience . Golden e Simon Nilsson, pós-doutorado no laboratório Golden, são os autores seniores do artigo. A primeira autora é Nastacia Goodwin, estudante de pós-graduação no laboratório.
O estudo da atividade neural por trás do comportamento animal levou a grandes avanços na compreensão e no tratamento de distúrbios humanos como dependência, ansiedade e depressão.
Grande parte deste trabalho baseia-se em observações meticulosamente registadas por investigadores individuais que observam animais no laboratório e anotam as suas respostas físicas a diferentes situações, correlacionando depois esse comportamento com alterações na actividade cerebral.
Por exemplo, para estudar a neurobiologia da agressão, os investigadores podem colocar dois ratos num espaço fechado e registar sinais de agressão. Isso normalmente incluiria observações da proximidade física dos animais entre si, sua postura e exibições físicas, como contrações rápidas ou chocalhos da cauda.
Anotar e classificar tais comportamentos é uma tarefa demorada e exigente. Pode ser difícil reconhecer e registrar com precisão detalhes importantes, disse Golden. “O comportamento social é muito complicado, acontece muito rápido e muitas vezes tem nuances, então muitos de seus componentes podem ser perdidos quando um indivíduo o observa”.
Para automatizar este processo, os investigadores desenvolveram sistemas baseados em IA para rastrear componentes do comportamento de um animal e classificar automaticamente o comportamento, por exemplo, como agressivo ou submisso.
Como esses programas também podem registrar detalhes mais rapidamente do que um ser humano, é muito mais provável que uma ação possa estar intimamente correlacionada com a atividade neural, que normalmente ocorre em milissegundos.
Um quadro de vídeo de dois ratos cujo comportamento está sendo analisado pelo SimBA. Os pontos representam as partes do corpo que estão sendo rastreadas pelo programa. Crédito:Nastacia Goodwi
Um desses programas, desenvolvido por Nilsson e Goodwin, é chamado SimBA, de Simple Behavioral Analysis. O programa de código aberto apresenta uma interface gráfica fácil de usar e não requer conhecimentos especiais de informática para ser usado. Foi amplamente adotado por cientistas comportamentais.
“Embora tenhamos construído o SimBA para um laboratório de roedores, imediatamente começamos a receber e-mails de todos os tipos de laboratórios:laboratórios de vespas, laboratórios de mariposas, laboratórios de peixes-zebra”, disse Goodwin.
Mas à medida que mais laboratórios utilizavam estes programas, os investigadores descobriram que experiências semelhantes produziam resultados muito diferentes.
"Tornou-se evidente que a forma como qualquer laboratório ou pessoa define o comportamento é bastante subjetiva, mesmo quando se tenta replicar procedimentos bem conhecidos", disse Golden.
Além disso, ter em conta estas diferenças foi difícil porque muitas vezes não é claro como os sistemas de IA chegam aos seus resultados, ocorrendo os seus cálculos no que é frequentemente caracterizado como “uma caixa preta”.
Na esperança de explicar essas diferenças, Goodwin e Nilsson incorporaram ao SimBA uma abordagem de explicabilidade de aprendizado de máquina que produz o que é chamado de pontuação Shapely Additive exPlanations (SHAP).
Essencialmente, o que esta abordagem de explicabilidade faz é determinar como a remoção de um recurso usado para classificar um comportamento, como o barulho da cauda, altera a probabilidade de uma previsão precisa pelo computador.
Ao remover recursos diferentes de milhares de combinações diferentes, o SHAP pode determinar quanta força preditiva é fornecida por qualquer recurso individual usado no algoritmo que classifica o comportamento. A combinação desses valores SHAP define quantitativamente o comportamento, removendo a subjetividade nas descrições comportamentais.
“Agora podemos comparar os respectivos protocolos comportamentais (de diferentes laboratórios) usando SimBA e ver se estamos olhando, objetivamente, para o mesmo comportamento ou para um comportamento diferente”, disse Golden.
"Essa abordagem permite que os laboratórios projetem experimentos da maneira que quiserem, mas como agora você pode comparar diretamente os resultados comportamentais de laboratórios que usam definições comportamentais diferentes, você pode tirar conclusões mais claras entre seus resultados. Anteriormente, dados neurais inconsistentes poderiam ter sido atribuídos a muitos confunde, e agora podemos descartar claramente as diferenças comportamentais enquanto nos esforçamos para obter reprodutibilidade e interpretabilidade entre laboratórios", disse Golden.
