Araştırmacılar, epilepsili farelerdeki davranış kalıplarını incelemek için en son teknolojiyi kullanarak durumu daha iyi anlayabilir ve yeni çareler bulabilirler. Ulusal Sağlık Enstitüleri tarafından finanse edilen araştırmacılar, farelerde insan gözüyle görülemeyen davranışsal “parmak izlerini” belirlemek için yapay zeka teknolojisini kullandılar. Bu tür otomatik davranışsal fenotipleme, son derece nadir görülen bir nöbetin meydana gelmesini beklemeyi gerektirmedi ve sadece bir saatlik video kaydı gerektirdi. Araştırma Neuron’da yayınlandı ve NIH’nin bir bölümü olan Ulusal Nörolojik Bozukluklar ve İnme Enstitüsü (NINDS) tarafından finanse edildi.
Araştırmacılar, makine öğrenimi destekli bu 3D video analizinin, nöbetler sırasında hayvan modellerinde epilepsinin davranışsal belirtilerini insan gözlemine dayanarak etiketleyen geleneksel yöntemden daha iyi çalıştığını keşfetti. Zaman alan bu prosedür, beyin dalgası aktivitelerini (EEG) yakalamak için elektroensefalografi kullanılırken farelerin günler veya haftalar boyunca sürekli video gözetimini gerektiriyor. Stanford’dan araştırmacılar, hem genetik hem de edinilmiş epilepsileri olan fareleri inceleyen bir ekibe liderlik etti. Eğitimsiz insan gözlemcilerin epileptik ve epileptik olmayan fareleri makine analizinin yapabildiği kadar iyi ayırt edemediğini keşfettiler. Yapay zeka yazılımı ayrıca epilepsi gelişiminin çeşitli aşamalarında birçok davranışsal özellik keşfetti.
Daha da önemlisi, farelere üç anti-epileptik ilaçtan birini verdikten sonra, araştırmacılar yapay zeka algoritmasını kullanarak farelerdeki çeşitli davranış kalıplarını tanıyabildiler. Bu, cihazın hızlı, otomatik anti-epileptik ilaç testi için nasıl uygulanabileceğini gösteriyor. Sonuç olarak, hayvan epilepsisi çalışmaları için otomatik fenotipleme, araştırmaları değiştirme, keşifleri hızlandırma ve maliyetleri düşürme potansiyeline sahiptir.
Çalışmada kullanılan bir makine öğrenimi aracı olan MoSeq for Motion Sequencing, filmin her karesinde serbestçe hareket eden farelerin davranışlarını buluyor, takip ediyor ve ölçüyor. Veriler, zaman içinde tekrarlanan davranış kalıplarını (“heceler” olarak adlandırılır – sağa dönüş veya sola kafa atma gibi) tanımak için denetimsiz bir makine öğrenimi modelini eğitmek için kullanılır. MoSeq, hece sırasını (veya “gramer”) tahmin ederek fare davranışının hızlı ve doğru bir şekilde kategorize edilmesini sağlar.
Kaynak: nih.gov/news-events/news-releases
