Une équipe du Life Sciences Institute à l’Université du Michigan a développé un nouvel outil logiciel pour aider les chercheurs en sciences de la vie à analyser plus efficacement les comportements des animaux. Le logiciel open source, LabGym, utilise l’IA et le deep learning pour identifier, catégoriser et compter les comportements définis dans divers systèmes de modèles animaux.
Les scientifiques mesurent les comportements des animaux pour diverses raisons, par exemple pour mieux comprendre toutes les façons dont un médicament particulier peut affecter un organisme ou pour cartographier la façon dont les circuits du cerveau communiquent pour produire un comportement particulier.
Les chercheurs du laboratoire de Bing Ye, Ph.D., membre du corps professoral de l’Université du Michigan, étudient le développement neuronal et les défauts qui conduisent à des troubles cérébraux. Ils analysent les mouvements et les comportements de Drosophila melanogaster (mouches des fruits) comme modèle pour étudier le développement et les fonctions du système nerveux. Les mouches des fruits et les humains partageant de nombreux gènes, leurs études sur les mouches des fruits apportent souvent des informations sur la santé humaine et les maladies.
Yujia Hu, Ph.D., neuroscientifique dans le laboratoire de Bing Ye à l’Institut des sciences de la vie de l’Université du Michigan et auteur principal de l’étude décrivant LabGym, le nouveau logiciel, explique :
« Le comportement est une fonction du cerveau. Ainsi, l’analyse du comportement animal fournit des informations essentielles sur le fonctionnement du cerveau et sur la façon dont il change en réponse à la maladie ».
Cependant, identifier et compter manuellement les comportements des animaux est chronophage et, d’autre part, très subjectif pour le chercheur qui analyse le comportement. Les logiciels existants pour quantifier automatiquement les comportements des animaux, quant à eux, présentent des défis.
Bing Ye, qui est également professeur de biologie cellulaire et du développement à la faculté de médecine, commente :
« Beaucoup de ces programmes d’analyse du comportement sont basés sur des définitions prédéfinies d’un comportement. Si une larve de drosophile roule à 360 degrés, par exemple, certains programmes compteront un rouleau. Mais pourquoi 270 degrés n’est-il pas aussi un rouleau? De nombreux programmes n’ont pas nécessairement la flexibilité de compter cela, sans que l’utilisateur sache comment recoder le programme ».
Reproduire le processus cognitif humain
Pour surmonter ces défis, Yujia Hu et ses collègues ont décidé de concevoir un nouveau programme qui reproduise plus fidèlement le processus de cognition humaine, qui « pense » plus comme un scientifique le ferait, et dont l’utilisation soit plus facile pour les biologistes n’ayant pas de compétences en codage.
Les chercheurs fournissent des exemples du comportement qu’ils souhaitent analyser. LabGym utilise ensuite le deep learning pour améliorer sa capacité à reconnaître et à quantifier le comportement.
Alors que d’autres recherches comme celle présentée par l’ETH Zurich en juin dernier permettent d’analyser le comportement d’animaux à partir d’une simple vidéo, le programme combine des données vidéo avec des images modèles.
Pour aider le programme à identifier les comportements plus facilement, Yujia Hu a ainsi créé une image fixe qui montre le motif du mouvement de l’animal en fusionnant les contours de la position de l’animal à différents moments. L’équipe a constaté que la combinaison des données vidéo avec les images de motif augmentait la précision du programme et sa flexibilité cognitive.
Lorsque les chercheurs analysent manuellement les comportements dans une vidéo, ils ignorent généralement les informations non pertinentes (telles que l’arrière-plan statique).
LabGym est conçu pour ignorer ces informations de fond et pour prendre en compte à la fois, le mouvement global de l’animal et les changements de position dans l’espace et le temps, comme le ferait un chercheur humain et permet de suivre simultanément plusieurs animaux.
Une autre caractéristique principale de LabGym est, selon Bing Ye, sa flexibilité en matière d’espèces, car bien qu’il ait été conçu à l’aide de la drosophile, il n’est pas limité à une seule espèce.
Il commente :
« C’est en fait rare. Il est écrit pour les biologistes, afin qu’ils puissent l’adapter à l’espèce et au comportement qu’ils veulent étudier sans avoir besoin de compétences en programmation ou de calcul de haute puissance ».
La pharmacologue Carrie Ferrario, Ph.D., a proposé d’aider Bing Ye et son équipe à tester et à affiner le programme dans le système modèle de rongeurs avec lequel elle travaille.
Professeur agrégé de pharmacologie et professeur agrégé adjoint de psychologie, elle étudie les mécanismes neuronaux qui contribuent à la dépendance et à l’obésité, en utilisant des rats comme système modèle. Pour compléter l’observation nécessaire des comportements induits par les médicaments chez les animaux, elle s’appuyait, avec les membres de l’équipe de son laboratoire, en grande partie sur la notation manuelle, qui, on l’a vu, est subjective et prend énormément de temps.
Elle explique :
« J’essaie de résoudre ce problème depuis mes études supérieures, et la technologie n’était tout simplement pas là, en termes d’intelligence artificielle, d’apprentissage profond et de calcul. Ce programme a résolu un problème existant pour moi, mais il a aussi une très grande utilité. Je vois le potentiel pour qu’il soit utile dans des conditions presque illimitées pour analyser le comportement animal ».
L’équipe prévoit par la suite d’affiner davantage le programme afin d’améliorer ses performances dans des conditions encore plus complexes, telles que l’observation d’animaux dans la nature.
Sources de l’article :
Life Sciences Institute, Université du Michigan.
Etude :“LabGym : quantification des comportements animaux définis par l’utilisateur 1 à l’aide d’une évaluation holistique basée sur l’apprentissage“,
DOI: 10.1016/j.crmeth.2023.100415
Auteurs : Yujia Hu, Carrie R. Ferrario, Alexander D. Maitland, Rita B. Ionides, Anjesh Ghimire, Brendon Watson, Kenichi Iwasaki, Hope White, Yitao Xi et Bing Ye, Université du Michigan, et Jie Zhou, Université du Nord de l’Illinois.
Le code open-source et un manuel complet de LabGym se trouvent dans sa page GitHub : https://github.com/umyelab/LabGym
