L'apprentissage automatique rencontre les neurosciences comportementales : pour un phénotypage plus précis
Un nouveau programme informatique permet aux scientifiques d'observer le comportement de plusieurs animaux simultanément et sur de longues périodes, tout en analysant automatiquement leurs mouvements. Ce qui peut sembler évident marque une étape importante et ouvre la voie à une normalisation et à une évaluation robustes et accessibles d'observations aussi complexes.
Imaginez un chercheur du 19e siècle portant un casque de protection et observant des animaux dans leur habitat naturel. Ou imaginez Konrad Lorenz, un vétéran de la société Max Planck, suivant de près ses oies grises près du lac Starnberg dans les années 1970 : le début de la recherche comportementale consistait à observer et à enregistrer ce que l'on voyait. L'étape suivante s'est déroulée en laboratoire, où des environnements standardisés ont été créés pour établir des comparaisons. Les chercheurs ont acquis des connaissances inestimables, mais il y avait toujours des limites : l'environnement et la configuration des tests, le nombre d'animaux et la durée des observations ne correspondaient pas à la complexité de certains comportements naturels, qu'ils soient individuels ou sociaux. En outre, l'observation du comportement animal vise non seulement à mieux comprendre comment des espèces spécifiques réagissent à des stimuli donnés, mais aussi à aider les chercheurs à mieux définir les troubles mentaux chez l'homme afin de fournir un traitement amélioré et individualisé.
Il y a quelques années, des scientifiques ont réalisé une percée en utilisant la boîte à outils open-source DeepLabCut. Ils ont pu non seulement suivre le point central d'animaux individuels dans des environnements simples, mais aussi détecter automatiquement la posture corporelle complexe de plusieurs animaux dans des environnements réels. Cela a ouvert la voie au développement de nouveaux outils capables d'extraire des informations de ces données, car capturer la posture n'est pas la même chose qu'analyser les comportements sous-jacents.
Relier le mouvement au comportement
Deux groupes de recherche de l'Institut Max Planck de psychiatrie se sont attelés à cette tâche. Les équipes dirigées par Mathias V. Schmidt et Bertram Müller-Myhsok ont mis au point un logiciel Python appelé DeepOF, qui relie la position des marqueurs corporels individuels dans le temps à des schémas comportementaux. Cela leur permet d'analyser en détail le comportement des animaux, dans leur cas des souris, dans un environnement semi-naturel, sur n'importe quelle période de temps souhaitée. Deux approches différentes sont utilisées. Dans un pipeline d'analyse supervisée, les comportements sont prédéfinis sur la base des postures du corps au fil du temps, et les données obtenues peuvent être directement lues et analysées. "Le pipeline d'analyse non supervisée est encore plus intéressant", s'enthousiasme la statisticienne Müller-Myhsok. "Notre programme recherche des épisodes comportementaux similaires et les classe", ajoute le biologiste Mathias Schmidt : "Cette approche ouvre de toutes nouvelles dimensions, permettant d'étudier automatiquement et sans hypothèse des comportements sociaux complexes et d'obtenir des résultats très intéressants".
Ce type d'outil ouvre de nouvelles possibilités et amène la biologie comportementale, en termes de complexité, à un niveau comparable aux méthodes d'analyse de la biologie moléculaire ou fonctionnelle. "À l'avenir, nous pourrons mieux combiner nos résultats avec d'autres dimensions de mesure, telles que les enregistrements EEG, les données d'activité neuronale ou les données des biocapteurs", rapporte le biologiste Joeri Bordes. Lucas Miranda, l'auteur du programme DeepOF, est enthousiaste à l'égard de la "science ouverte", car "notre programme est mis gratuitement à la disposition des chercheurs du monde entier, notre code est bien entendu ouvert et toute personne est invitée à contribuer au projet".
La revue scientifique Nature Communications a donné au programme un label de qualité indépendant en publiant l'étude des équipes. En outre, le Journal of Open Source Software (JOSS) a évalué le code et les fonctionnalités du programme. Le programme représente également une amélioration pour le bien-être des animaux, puisqu'ils sont soumis à moins d'expériences. Enfin, l'analyse détaillée du comportement à travers cette nouvelle dimension représente une étape importante vers une meilleure traduction des données concernant l'exploration des maladies humaines et leur traitement.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Joeri Bordes, Lucas Miranda, Maya Reinhardt, Sowmya Narayan, Jakob Hartmann, Emily L. Newman, Lea Maria Brix, Lotte van Doeselaar, Clara Engelhardt, Larissa Dillmann, Shiladitya Mitra, Kerry J. Ressler, et al.: "Automatically annotated motion tracking identifies a distinct social behavioral profile following chronic social defeat stress"; Nature Communications, 2023.
Autres actualités du département science
Recevez les dernières actualités du secteur des sciences de la vie
Ne manquez plus aucune actualité : notre newsletter consacrée aux biotechnologies, au secteur pharmaceutique et aux sciences de la vie vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
