Szekciók

A szociális viselkedés kulcsfontosságú a legtöbb gerinces állat esetén, ugyanis ezek révén tudják fenntartani a kommunikációt fajtársaikkal. Ezen interakciók koordinálása komplex neurális hálózatot igényel, mely képes az adott szociális ingerekre megfelelő viselkedési választ kialakítani. Az agyi működések és viselkedések közötti kapcsolatok megértéséhez szükséges a viselkedés precíz elemzése, amely hagyományosan manuális értékeléssel történik, ami lassú és részrehajló, így elavult.

A mélytanuláson alapuló számítógépes technikák gyors fejlődésének köszönhetően megjelentek az automatizált MI alapú mozgáskövető szoftverek, mint a DeepLabCut (DLC), ami egy nyílt forráskódú pozícióbecslő szoftver és képes több állatot egyidejűleg követni, ami elengedhetetlen a szociális viselkedések tanulmányozásához. Azonban a DLC a nyomon követett testpontokról csak egy koordináta mátrixot ad eredményül. Az egyes viselkedéselemek meghatározásához egy további programra is szükség van. Kutatócsoportunk ezért kifejlesztett egy webalapú szoftvert, az Emerenkát, amely a DLC által kiadott mátrix alapján határoz meg viselkedéselemeket.

Célkitűzésem volt kiválasztani és betanítani a videóknak megfelelő mesterséges neurális hálót, valamint összehangolni a DLC-ot és Emerenkát a megfelelő testpontok kijelölésével, valamint a legoptimálisabb paraméterek beállításával. Ehhez a Cntnap2 KO egértörzset használtam, amely egy ismert autizmus spektrumzavar modell. Két vizsgált Cntnap2 KO csoport közül az egyik szerotonin receptor agonistával volt kezelve, míg a másik kontrol injekciót kapott. A teszt során mindkét csoport tagjai szabadon érintkezhettek partner fajtársaikkal egy nyílt arénában 10 percig, videómegfigyelés alatt. Miután tíz kiválasztott 10 perces videóból származó 200 képkockán betanítottam a DLC-t, az összes videót analizáltam vele. A létrehozott koordináta mátrixok alapján módosítottuk az Emerenkában a viselkedéselemek megállapításához szükséges test pontokat és a távolságokat egészen addig, ameddig a szoftver képes volt helyesen azonosítani az egyes viselkedéselemeket. Az összes analizált videót manuálisan is kiértékeltem, hogy a különböző módszereket összehasonlítsuk.

Eredményeim alapján nem volt szignifikáns különbség a manuális értékelés és a DLC-t követő Emerenka analízis között. Ehhez a megfelelő DLC tréningezés elérésére és az Emerenkában található paraméterek többszörös korrigálására volt szükség. Emellett, a korábbi automatizált viselkedés kiértékelő módszerekkel ellentétben, melyek csak néhány viselkedéselemet tudnak megkülönböztetni, sikerült számos interakciót elkülönítenünk. Az általunk használt technika megbízható és hatékony MI-alapú automatizált viselkedéselemzést biztosít egerek interakcióinak meghatározásához. Ez a módszer objektív, gyors, és kevésbé munkaigényes, mint a manuális értékelés, így elősegíthet egy gördülékenyebb munkafolyamatot a rágcsálók szociális viselkedésével foglalkozó kutatócsoportok számára.