Liberando el poder de la IA para rastrear el comportamiento animal

Liberando el poder de la IA para rastrear el comportamiento animal

Los científicos de Salk crean GlowTrack para rastrear el comportamiento humano y animal con mejor resolución y más versatilidad

LA JOLLA—El movimiento ofrece una ventana a cómo el cerebro opera y controla el cuerpo. Desde la observación con portapapeles y bolígrafo hasta las modernas técnicas basadas en inteligencia artificial, el seguimiento del movimiento humano y animal ha recorrido un largo camino. Los métodos de vanguardia actuales utilizan inteligencia artificial para rastrear automáticamente partes del cuerpo a medida que se mueven. Sin embargo, entrenar estos modelos todavía requiere mucho tiempo y está limitado por la necesidad de que los investigadores marquen manualmente cada parte del cuerpo cientos o miles de veces.

Ahora, profesor asociado Eiman Azim y el equipo han creado GlowTrack, un método de seguimiento de movimiento no invasivo que utiliza marcadores de tintes fluorescentes para entrenar la inteligencia artificial. GlowTrack es robusto, eficiente en el tiempo y de alta definición, capaz de rastrear un solo dígito en la pata de un mouse o cientos de puntos de referencia en una mano humana.

La técnica, publicada en Nature Communicationsel 26 de septiembre de 2023, tiene aplicaciones que van desde la biología hasta la robótica, la medicina y más.

"En los últimos años, ha habido una revolución en el seguimiento del comportamiento a medida que se han llevado al laboratorio potentes herramientas de inteligencia artificial", dice Azim, autor principal y titular de la Cátedra de Desarrollo William Scandling. “Nuestro enfoque hace que estas herramientas sean más versátiles, mejorando la forma en que capturamos diversos movimientos en el laboratorio. Una mejor cuantificación del movimiento nos da una mejor idea de cómo el cerebro controla el comportamiento y podría ayudar en el estudio de trastornos del movimiento como la esclerosis lateral amiotrófica (ELA) y la enfermedad de Parkinson”.

Los métodos actuales para capturar el movimiento de los animales a menudo requieren que los investigadores marquen manualmente y repetidamente partes del cuerpo en una pantalla de computadora, un proceso que requiere mucho tiempo y está sujeto a errores humanos y limitaciones de tiempo. La anotación humana significa que estos métodos generalmente solo se pueden usar en un entorno de prueba limitado, ya que los modelos de inteligencia artificial se especializan en la cantidad limitada de datos de entrenamiento que reciben. Por ejemplo, si la luz, la orientación del cuerpo del animal, el ángulo de la cámara o cualquier otro factor cambiaran, el modelo ya no reconocería la parte del cuerpo rastreada.

Para abordar estas limitaciones, los investigadores utilizaron tintes fluorescentes para etiquetar partes del cuerpo animal o humano. Con estos marcadores de tintes fluorescentes “invisibles”, se puede crear rápidamente una enorme cantidad de datos visualmente diversos e introducirlos en los modelos de inteligencia artificial sin necesidad de anotaciones humanas. Una vez alimentados con estos datos sólidos, estos modelos se pueden utilizar para rastrear movimientos en un conjunto mucho más diverso de entornos y con una resolución que sería mucho más difícil de lograr con el etiquetado humano manual.

Esto abre la puerta a una comparación más sencilla de los datos de movimiento entre estudios, ya que diferentes laboratorios pueden utilizar los mismos modelos para rastrear el movimiento corporal en una variedad de situaciones. Según Azim, la comparación y la reproducibilidad de los experimentos son esenciales en el proceso de descubrimiento científico.

"Los marcadores de tintes fluorescentes fueron la solución perfecta", dice el primer autor Daniel Butler, analista de bioinformática de Salk. Al igual que la tinta invisible de un billete de un dólar que se ilumina sólo cuando usted lo desea, nuestros marcadores de tinte fluorescente se pueden encender y apagar en un abrir y cerrar de ojos, lo que nos permite generar una enorme cantidad de datos de entrenamiento”.

En el futuro, el equipo está entusiasmado de respaldar diversas aplicaciones de GlowTrack y combinar sus capacidades con otras herramientas de seguimiento que reconstruyen movimientos en tres dimensiones y con enfoques de análisis que puedan explorar estos vastos conjuntos de datos de movimiento en busca de patrones.

"Nuestro enfoque puede beneficiar a una serie de campos que necesitan herramientas más sensibles, confiables y completas para capturar y cuantificar el movimiento", dice Azim. "Estoy ansioso por ver cómo otros científicos y no científicos adoptan estos métodos, y qué aplicaciones únicas e imprevistas podrían surgir".

Otros autores incluyen a Alexander Keim y Shantanu Ray de Salk.

El trabajo fue apoyado por el Programa de Capacitación CMG de UC San Diego, un Premio de la Fundación Jesse y Caryl Philips, los Institutos Nacionales de Salud (R00NS088193, DP2NS105555, R01NS111479, RF1NS128898 y U19NS112959), el Programa Searle Scholars, Pew Charitable Trusts y la Fundación McKnight.

DOI: https://doi.org/10.1038/s41467-023-41565-3