大阪大學信息科學與技術研究生院的科學家使用動物位置跟蹤和人工智能來自動檢測跨物種共有的運動障礙的步行行為。通過從步行數據中自動刪除特定物種的特征，所得數據可用于更好地了解影響運動的神經系統(tǒng)疾病。
機器學習算法，尤其是使用多層人工神經元的深度學習方法，非常適合區(qū)分不同的數據源。例如，他們可以根據其在雪中留下的痕跡的特征來確定其物種。然而，有時科學家更關心不同數據集中的相同之處，而不是不同之處。嘗試匯總來自不同類型動物的讀數時可能會出現這種情況。
現在，由大阪大學領導的一組科學家使用機器學習從蠕蟲、甲蟲、小鼠和人類受試者創(chuàng)建的獨立于物種的運動數據中獲取模式。“比較行為分析的一個核心目標是確定動物中類似人類的行為庫，”第一作者 Takuy??a Maekawa 解釋說。這種方法可以幫助科學家研究導致運動功能障礙的人類神經系統(tǒng)疾病，包括由低多巴胺水平引起的疾病。動物運動數據會產生更多的信息;然而，動物運動的空間和時間尺度因物種而異。這意味著數據不能直接與人類行為進行比較。為了克服這個問題，該團隊設計了一個神經網絡具有梯度反轉層，可預測 (a) 輸入運動數據是否來自患病動物以及 (b) 輸入數據來自哪個物種。從那里，網絡經過訓練，使其無法預測收集輸入數據的物種，這導致創(chuàng)建了一個無法區(qū)分物種但能夠識別特定疾病的網絡。這使網絡能夠提取疾病固有的運動特征。
他們的實驗揭示了缺乏多巴胺的蠕蟲、小鼠和人類共有的跨物種運動特征。盡管存在進化差異，但所有這些生物都無法在保持高速移動的同時。此外，發(fā)現這些動物在加速時的速度不穩(wěn)定。有趣的是，這些動物在多巴胺缺乏的情況下表現出類似的運動障礙，即使它們具有不同的體型和運動方式。雖然之前的研究表明多巴胺缺乏與所有這些物種的運動障礙有關，但這項研究首次確定了由這種缺乏引起的共同運動特征。
“我們的項目表明，深度學習可以成為一種強大的工具，可以從數據集中提取知識，這些數據集看起來差異太大而無法由人類研究人員進行比較，”作者 Takahiro Hara 說。該團隊預計，這項工作將用于尋找影響進化遙遠物種的疾病的其他共同特征。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯系刪除！