Особенности межвидовой локомоции, разделяемые дефицированными дофамином червями, мышами и людьми

18 сентября 2021 г

Ученые из Высшей школы информационных наук и технологий в университете Осаки использовали отслеживание местоположения животных вместе с искусственным интеллектом, чтобы автоматически обнаруживать ходячее поведение нарушений движения, которые распространяются по видам. Автоматически удаляя специфические для вида особенности из данных ходьбы, полученные данные могут использоваться для лучшего понимания неврологических расстройств, которые влияют на движение.

Алгоритмы машинного обучения, особенно подходы глубокого обучения, в которых используются несколько слоев искусственных нейронов, хорошо подходят для различения различных источников данных. Например, они могут определять вид в соответствии с характеристиками его следов, оставленных в снегу. Однако иногда ученые больше заботятся о том, что одинаково, а не о том, что отличается, в различных наборах данных. Это может иметь место при попытке агрегировать показания разных типов животных.

Теперь команда ученых во главе с Университетом Осаки использовала машинное обучение для получения паттернов из данных о локомоции, созданных червями, жуками, мышами и людьми, которые не зависели от вида.

Центральная цель сравнительного поведенческого анализа – выявить поведенческие репертуары у животных, похожие на человека.«

Такуя Маэкава, первый автор

Этот метод может помочь ученым, изучающим неврологические состояния человека, которые вызывают двигательные дисфункции, в том числе вызванные низким уровнем дофамина. Данные о движении животных будут генерировать гораздо больше информации; однако пространственные и временные масштабы передвижения животных широко варьируются среди видов. Это означает, что данные нельзя напрямую сравнивать с поведением человека. Чтобы преодолеть это, команда разработала нейронную сеть со слоем градиентного изменения, который предсказывает: а) поступали ли входные данные о локомоции от больного животного и б) из каких видов поступали входные данные. Оттуда сеть была обучена, чтобы она не могла предсказать виды, из которых были собраны входные данные, что привело к созданию сети, которая была бы неспособна различать виды, но способна идентифицировать конкретные заболевания. Это позволило сети извлечь функции передвижения, присущие этой болезни.

Связанные истории

  • Первая модель глубокого обучения, основанная на данных, может предсказать вспышку COVID-19 за две недели
  • Хорошо спроектированная городская среда может быть полезна для благополучия людей так же, как и природная среда
  • Люди с болезнью Паркинсона могут воспользоваться семью категориями компенсационных стратегий

Их эксперименты выявили особенности межвидовой локомоции, которыми обладают дефицитные дофамин черви, мыши и люди. Несмотря на свои эволюционные различия, все эти организмы не могут двигаться при сохранении высоких скоростей. Кроме того, скорость этих животных была признана нестабильной при ускорении. Интересно, что у этих животных наблюдаются сходные нарушения движений в случае дефицита дофамина, даже если они имеют разные масштабы тела и методы передвижения. Хотя предыдущие исследования показали, что дефицит дофамина связан с нарушениями движения у всех этих видов, это исследование было первым, чтобы выявить общие особенности передвижения, вызванные этим дефицитом.

«Наш проект показывает, что глубокое обучение может быть мощным инструментом для извлечения знаний из наборов данных, которые кажутся слишком разными, чтобы их можно было сравнивать исследователям», – говорит автор Такахиро Хара. Команда ожидает, что эта работа будет использована для поиска других общих черт для расстройств, которые влияют на эволюционно отдаленные виды.

Источник:

Университет Осаки

Ссылка на журнал:

Maekawa, T., et al. (2021) Анализ межвидового поведения с помощью доменных доменных состязательных глубоких нейронных сетей. Природа Коммуникации. doi.org/10.1038/s41467-021-25636-x.

Взято из источника news-medical.net

Возможно вам понравится

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *