動物の心と脳の内部で何が起こっているかを理解するための探求は、神経科学者を多くの驚くべき道に導きました:生きている脳を直接覗き込むことから、光のバーストでニューロンを制御すること、複雑な仕掛けや仮想現実環境を構築することまで。
2013 年、ハーバード大学医学部の神経生物学者ボブ・ダッタと彼の同僚は、研究室から通りを下ったところにあるベスト バイに参加しました。
電器店で、必要なものを見つけました。それは、プレーヤーの動きを感知するゲーム デバイスである Xbox Kinect です。科学者たちは、研究しているマウスの体の動きを徹底的に監視したいと考えていましたが、通常の実験技術はどれもその仕事に適していないようでした.そこで、ダッタのグループはこのおもちゃに目を向け、動物が環境を探索する際に 3 次元の運動情報を収集するために使用しました。デバイスは基本的にそれらを空間内の点の雲としてレンダリングし、チームはそれらの点のリズミカルな動きを分析しました。
Datta のソリューションは当時は型破りだったかもしれませんが、現在では行動科学を変革する自動化されたアプローチの波を象徴しています。動物の行動をより厳密かつ定量的に研究することにより、研究者は、動物の行動に関与する観察不可能な「ドライブ」または内部状態についてのより深い洞察を望んでいます。プリンストン大学で動物の行動を研究している博士研究員の Adam Calhoun は次のように書いています。
これらの内部状態を脳の複雑な神経回路の特定の活動まで追跡することは、さらなるハードルを提示します。洗練されたツールを使えば数千のニューロンから一度に記録することができますが、「脳の出力を理解することはできません」と Datta 氏は述べています。 「これらの高密度の神経コードを理解するには、行動をより深く理解する必要があります。」
そのより豊かな理解は、もはや手の届かないものではないかもしれません。機械学習の進歩を利用して、科学者は動物の動きをハエの羽の角度やマウスの背中のアーチのわずかな変化に至るまで自動的に追跡するアルゴリズムを構築しています。また、動物の内部状態に関する手がかりを得るために、このデータを自動的に分析および分類するパターン検出ツールも作成しています。
これらの方法の主な利点は、人間には見えないパターンを検出できることです。先月 Nature Neuroscience に掲載された論文で 、Calhoun は、プリンストンの神経科学者であるマラ・マーシーとジョナサン・ピローと共に、ショウジョウバエの求愛行動の根底にある 3 つの内部状態を特定するために行動観察のみを使用する機械学習モデルを構築しました。ハエの脳活動を操作することで、研究者はこれらの状態を制御する一連のニューロンを特定することができました。
これらの発見を可能にしたモーション トラッキングと行動分析に関する研究は、行動研究における技術革命を表しています。これはまた、この成功が今後の多くの成功の 1 つに過ぎないことを示しています。科学者は現在、これらの方法を適用して、これまで解決できないと思われていた神経科学、遺伝学、進化、医学の問題に取り組んでいます.
ログとインベントリ
科学者たちは、ペン、紙、ストップウォッチを武器に、何十年にもわたって野生 (および研究室) での動物の行動を定量化し、被験者が睡眠、遊び、採餌、交尾するのを観察してきました。彼らは観察結果を集計し、パターンを描写し、それらの傾向を体系化して説明するための組織的なフレームワークを考え出しました。 (生物学者のニコラス・ティンバーゲン、コンラート・ローレンツ、カール・フォン・フリッシュは、魚、鳥、昆虫を使ってこの種の実験を独自に行ったことで、1973 年にノーベル賞を受賞しました。)
この作業から生じる行動の目録は、非常に詳細になる可能性があります。 記事には、「顔の下の前肢の突風」と「頭の上の前肢の同期的だが非対称の大きなストローク」が含まれており、そのようなジェスチャーがさまざまな状況下でどのように発生する可能性があるかを推定しています。研究者は、観察された行動のどの側面が重要であると判明するかを知ることができなかったため、そのすべての詳細をキャプチャする必要がありました.
一部の科学者は反対の方向に進み、動物を管理された実験室の環境に置き、迷路で左に曲がるか右に曲がるかなど、単純な二者択一のみを行えるようにすることで、動物の行動の多様性を最小限に抑えています。このような単純化は有用で有益な場合もありますが、人為的な制限は研究者の自然な行動の理解を損ない、重要なシグナルを見逃す可能性もあります。カリフォルニア工科大学の理論神経科学のポスドク研究員であるアン・ケネディは、「行動をよく把握することが、この研究の実際の制限要因です」と述べています。
プリンストン大学の Murthy と Joshua Shaevitz の研究室の大学院生である Talmo Pereira によると、科学者が「行動をより定量的に考える」ことでこの分野の近代化に着手したのはそのためです。そして、その変革に貢献した変更は、データ収集とデータ分析の両方の自動化です。
鼻、トゲ、尾の追跡
画像キャプチャ技術は、動いている動物のポーズを追跡するために常に重要です。 1800 年代、Eadweard Muybridge はストップモーション写真を使用して、走る馬と踊る人々のメカニズムを分解しました。写真は、たとえば、動物の足がフレームごとにどこにあったか、または頭がどのように向いているかをマークするのをより簡単かつ正確にしました.ビデオ技術が登場すると、研究者はより正確な測定を行うことができましたが、これらはまだ動物の速度や平均位置などの大まかな量に基づく傾向がありました。すべての動きを 3 次元で追跡することは不可能でした。そして、すべてのビデオ アノテーションは、手作業でコンピューターに記録するという骨の折れる作業が必要でした。このプロセスは、ノートに描画する従来の方法からあまり改善されていませんでした。
1980 年代に、研究者はコンピューター ビジョン アルゴリズムを適応させ始めました。コンピューター ビジョン アルゴリズムは、画像のエッジと輪郭を見つけるために既に使用されていましたが、表面上のハエの輪郭をトレースするなどの動物の行動の問題に適用されました。次の数十年間で、ビデオの各フレームで動物の位置にラベルを付けたり、複数の生物を区別したり、特定の体の部分や向きを識別したりするシステムが開発されました.
それでも、これらのプログラムは、科学者が必要とするほど効率的ではありませんでした。ドイツのマックス・プランク動物行動研究所所長のイアン・カズン氏は、「未来がどうなるかについて、かすかな兆しが見えた」と語った。 「しかし、深層学習が出現するまで、本当に洗練されたものは何も実現できませんでした。」
ディープ ラーニングを使用して、研究者はニューラル ネットワークのトレーニングを開始し、ビデオのすべてのフレームで昆虫、マウス、コウモリ、魚など、ほぼすべての動物の関節と主要な体の部分を追跡できるようにしました。必要なのは、少数のラベル付きフレームだけです (一部のアルゴリズムでは、10 個程度で十分です)。出力は、動物の体に転置された色付きの点として表示され、鼻、尾、耳、脚、足、翼、背骨などを識別します。
これを行うプログラムの数は、機械学習の進歩だけでなく、映画製作者、アニメーター、ゲーム業界による人間の動きのマッピングに関する並行作業によって、過去 2 年間で爆発的に増加しました。
もちろん、ハリウッドやシリコン バレーに関連する種類のモーション キャプチャでは、システムが簡単に見つけて追跡できるマーカーがちりばめられたボディスーツを着るのは簡単です。そのデータを使用して、ポーズや動きの詳細なモデルを構築できます。しかし、動物研究の世界ではボディスーツの解決策は実際にはありませんでした.
5 年前、ノルウェー科学技術大学の神経科学者であるジョナサン ホイットロックは、研究対象のマウスに印を付ける別の方法を探し始めました。彼と彼の同僚は、動物の毛皮を剃り、赤外線反射インクでそれらにタグを付けました。彼らは、反射する道路の塗料に通常使用されるガラスビーズの懸濁液を動物の背中に軽くたたきました。彼らは光るインクを塗り、動物の関節を磨きました。リストは続きますが、役に立ちません:マーカーが単に追跡できるほど明るくない場合もあれば、マウスを不安にさせて行動を乱す場合もあります。
最終的に、Whitlock のチームは、背骨の動きを再構築するために動物の背中に沿って 3 点に貼り付けられた小さな反射テープと、頭の動きを追跡するために 4 つの追加のテープを備えた小さなヘルメットを使用することに決めました。 「それだけで、まったく新しい世界を切り開くことができました」とホイットロックは言いました。
しかし、多くの研究者は、マーカーを使用すること自体をやめたいと考えており、動物の 7 点以上を追跡したいと考えていました。そのため、動物と人間の両方に関する以前の研究から得られた洞察を組み合わせることで、複数のラボが使いやすいシステムを作成し、現在では広範囲に適用されています.
これらのシステムの最初のものは、昨年オンラインになりました。 DeepLabCut は、ハーバード大学の神経科学者である Mackenzie Mathis と Alexander Mathis によって開発されました。彼らは、何千ものオブジェクトを分類するようにすでに訓練されたニューラル ネットワークを再利用しました。他の方法が立て続けに続きました。Murthy と Shaevitz の研究室で Pereira と他の人によって開発された LEAP (Leap Estimates Animal Pose)。 SLEAP は、複数の相互作用する動物の身体部分の位置を一度に追跡するための、同じチームの今後のソフトウェアです。そして、数か月前に公開された Couzin グループの DeepPoseKit です。
「非常に速く学習できます」と Murthy 氏は LEAP について語っています。 「10 ～ 15 分以内に、すべての動画で自動的に実行されるようにトレーニングできます。」他のグループは、複数のカメラを使用して同様のモデルを調整することにより、2 次元ではなく 3 次元でポーズのモデル化に取り組んでいます.
「内部では、これらのテクノロジーは信じられないほど洗練されている可能性があります。しかし現在では、マウスのひげの動きからアリの行動、魚の群れまで、非常に幅広い問題に驚くほど簡単に適用できるようになりました。」
Whitlock は、彼が研究しているマウスでは、特定の動きと位置が協調運動に関与する皮質の領域全体でエンコードされていることを発見しました。 「脳のこれらの部分は、動物がどのように頭を抱えているかを非常に気にかけています」と彼は言いました。研究者は自由に動く動物を追跡することができなかったので、「これは私たちがこれまでまったく理解していなかった皮質処理の側面です。
姿勢を描写することで、アルゴリズムは行動をより深く理解するための窓を開きます。基本的に、測定可能なすべての行動は「時間の経過による姿勢の変化」であるとホイットロック氏は述べています。 「そして、私たちには姿勢があります。私たちはそれを釘付けにしました。」
姿勢追跡ソフトウェアによってデータ収集が簡素化されたため、「他の問題について考えることができるようになりました」と、ハーバード大学の行動生物学者 Benjamin de Bivort は述べています。はじめに:行動の構成要素をどのように定義し、それらをどのように解釈するか?
隠れた言語
これらの質問に答えようとする試みは、長い間、観察者の直感に依存してきました。つまり、動物行動学者 (動物行動学者) が冗談めかしてそれを「真っ白な知覚」と呼んでいます。しかし、直感は、固有の偏見、再現性の欠如、および一般化の難しさによって妨げられています。
テルアビブ大学の動物学者 Ilan Golani は、過去 60 年間の大半を、行動を記述および分析する恣意性の少ない方法、つまり化学における原子に似た行動の基本単位を含む方法を探し求めてきました。彼は、行動が単に求愛や摂食としてタグ付けされることを望んでいませんでした.彼は、動物の解剖学に基づいた共通の一連のルールから、これらの特徴付けが「自然に」生じることを望んでいました。 Golani は、これらのユニットとルールがどのように見えるべきかについて独自のモデルを持っていますが、彼は、この分野がそれについてコンセンサスに達するにはまだほど遠いと考えています.
他の研究者は反対の立場をとっており、機械学習と深層学習はこの分野をより早くコンセンサスに導くことができる.しかし、DeepLabCut、LEAP、その他の最先端の姿勢追跡アルゴリズムは教師あり学習に依存していますが、それらは手作業でラベル付けされたデータから体の部位の位置を推測するように訓練されています。科学者は、教師なし学習で行動の構成要素を見つけて分析したいと考えています。学習技術。教師なしアプローチは、人間がすべてのステップを指示したりバイアスを導入したりすることなく、行動の隠れた構造をそれ自体で明らかにする可能性を秘めています。
この興味深い例が 2008 年に現れました。研究者は、動物のレパートリーのほとんどすべての動きをキャプチャするために追加できる、線虫の動きの 4 つのビルディング ブロックを特定しました。 「固有ワーム」と呼ばれるこのコンパクトな表現は、行動ダイナミクスについて考える定量的な方法を提供しました。
Datta は、2013 年に Xbox Kinect のハックでこのアプローチをまったく新しいレベルに引き上げ、すぐに報われました。彼と彼の同僚がマウスの動きを説明するデータを見たとき、彼らはすぐにその中に包括的な構造があることに驚いた。動物の 3 次元行動のダイナミクスは、平均で 300 ミリ秒続く小さなチャンクに自然に分割されているように見えました。 「これはデータにあるだけです。生データをお見せします」とダッタは言いました。 「これは、マウスの動作の基本的な機能にすぎません。」
これらのチャンクは、一連の規則や文法によってつなぎ合わされた音節のように、動作の単位がどのように見えるかを期待するものと非常によく似ていると彼は考えました。彼と彼のチームは、将来の行動の最良の予測につながる方法で動物の活動を分割することにより、これらの音節を識別するディープ ニューラル ネットワークを構築しました。モーション シーケンシング (MoSeq) と呼ばれるこのアルゴリズムは、研究者が後に「前に走る」、「ダウン アンド ダーツ」、または「出て行け!」と名付けた音節を吐き出しました。典型的な実験では、マウスはそのうちの 40 から 50 個を使用しますが、人間が名前を持っている行動に対応するのはそのうちのいくつかだけです。
「彼らのアルゴリズムは、私たちが言葉で説明できない行動を引き出すことができます」とウィットロックは言いました。
現在、研究者は、これまで見過ごされてきたこれらの行動の生物学的または生態学的重要性を判断しようとしています。彼らは、個人や性別、種によって行動がどのように異なるか、年齢や病気によって行動がどのように変化するか、学習や進化の過程でどのように発達するかを研究しています。彼らは、これらの自動分類を使用して、さまざまな遺伝子変異や治療の行動への影響を識別し、社会的相互作用を特徴付けています。
そして、彼らは脳とその内部状態への最初の接続を確立し始めています.
脳の状態と行動の予測
ダッタと彼の同僚は、運動計画やその他の機能を担う脳の領域である線条体で、MoSeq によって識別されたさまざまな音節を表すために、さまざまなニューロンのセットが発火することを発見しました。したがって、「この文法は脳によって直接調整されていることがわかっています」と Datta 氏は述べています。 「これは単なる付帯現象ではなく、実際に脳が制御するものです。」
興味深いことに、特定の音節の神経表現は常に同じではありませんでした。代わりに、音節が埋め込まれたシーケンスを反映するように変更されました。たとえば、ニューロンの活動を見ることで、ダッタは特定の音節が非常に固定されたシーケンスの一部であるか、非常に可変的なシーケンスの一部であるかを判断できました。 「最高レベルでは」と彼は言いました。また、それが表現されている文脈について何かを伝えています。」
彼は、線条体が適切に機能しなくなったときに何が起こったのかをテストすることで、この仮説をさらに支持しました.音節自体は元のままでしたが、文法はごちゃごちゃになっていて、一連の動作はランダムで順応性が低いように見えました.
他の研究者は、脳内で何が起こっているかをより長い時間スケールで調べています。エモリー大学の理論生物物理学者であるゴードン バーマンは、モーション マッパーと呼ばれる教師なし分析手法を使用して動作をモデル化しています。行動を階層内に配置するこのモデルは、2 週間前にウィーン大学の研究者チームが発表した論文で実証されているように、脳内の階層的な神経活動を予測できます。 (Berman 氏は、いつかモーション マッパーを使用して動物間の社会的相互作用を予測することも「野心的な目標」であると述べています。)
そして、Murthy と彼女のチームが、隠された内部状態を探しています。彼らは以前、ハエの動きの測定値を使用して、オスのハエがいつ、どのように、何を歌うかを予測するモデルを作成していました。たとえば、オスとメスのハエの間の距離が短くなるにつれて、オスが特定の種類の歌を発する可能性が高くなることを発見しました.
最近 Nature Neuroscience に掲載された研究では 、科学者はこのモデルを拡張して、ハエが発する歌についての予測を改善する可能性のある、オスのハエの潜在的な隠れた内部状態を含めました。チームは、「クローズ」、「チェイシング」、「なんでも」と名付けた 3 つの状態を発見しました。さまざまなニューロンを活性化し、その結果をモデルで調べることで、彼らは歌の生成を制御すると考えられていた一連のニューロンがハエの状態を制御していることを発見しました。 「これは、ハエの行動に応じてニューロンが行っていることの別の解釈です」と Murthy 氏は述べています。
彼らは現在、これらの調査結果を SLEAP で構築しています。 「高解像度のポーズ トラッキングを組み込んだときに、このタイプのモデルがどのような隠れた状態を引き出すことができるかを見るのは本当にエキサイティングです」と Pereira 氏は述べています。
科学者は、これらの技術が伝統的な行動研究を強化し、補完するものであって、それらに取って代わるものではないことに注意を払っています。彼らはまた、行動の核となる普遍的な原則が出現し始める前に、多くの作業を行う必要があることに同意します.たとえば、行動データを他の複雑な種類の情報と関連付けるために、追加の機械学習モデルが必要になります。
「これは、この問題について考える上で非常に最初のステップです」と Datta 氏は述べています。彼は、「何人かの子供がこれを行うためのより良い方法を考え出すだろう」ことに疑いの余地はありません.それでも、「これの良いところは、人々が互いに議論し、私の説明があなたの説明よりも優れているかどうかについてお互いに怒鳴っていた動物行動学者がいた場所から離れていることです.これで物差しができました。」
「私たちは、方法が私たちの質問に追いついているところまで来ています」と Murthy 氏は言います。 「その障害は取り除かれたばかりです。だから私は空が限界だと思います。人々はやりたいことをすることができます。」
編集者注:ボブ ダッタ、ジョナサン ピロー、アダム カルフーンの作品は、この編集的に独立した雑誌にも資金を提供しているシモンズ財団から一部資金提供を受けています。
ワシントン大学 Tuthill/Brunton labs の Pierre Karashchuk の厚意により、ウォーキング ハエのアニメーション ポーズ モデル。 anipose.org
