L’apprentissage automatique rencontre les neurosciences comportementales : permettant un phénotypage plus précis

31 juillet 2023

Cet article a été révisé conformément au processus éditorial et aux politiques de Science X. Les éditeurs ont mis en avant les attributs suivants tout en garantissant la crédibilité du contenu :

faits vérifiés

publication évaluée par des pairs

source fiable

relire

par Anke Schlee, Société Max Planck

Un nouveau programme informatique permet aux scientifiques d'observer le comportement de plusieurs animaux simultanément et sur de longues périodes, tout en analysant automatiquement leurs mouvements. Ce qui peut sembler évident marque une étape importante et ouvre la voie à une normalisation et à une évaluation robustes et accessibles d’observations aussi complexes.

Imaginez un chercheur du XIXe siècle portant un casque colonial et observant des animaux dans leur habitat naturel. Ou imaginez Konrad Lorenz, un vétéran de la Société Max Planck, dans les années 1970, suivant de près ses oies grises près du lac Starnberg : le début de la recherche comportementale impliquait l'observation et l'enregistrement de ce que l'on voyait.

L'étape suivante s'est déroulée en laboratoire, où des environnements standardisés ont été créés pour établir la comparabilité. Les chercheurs ont acquis des connaissances inestimables, mais il y a toujours eu des limites : l'environnement et la configuration des tests, le nombre d'animaux et la durée des observations ne correspondaient pas à la complexité de certains comportements naturels, qu'ils soient individuels ou sociaux.

De plus, l’observation du comportement animal vise non seulement à mieux comprendre comment certaines espèces réagissent à des stimuli donnés, mais aussi à aider les chercheurs à mieux définir les troubles mentaux chez l’homme afin de proposer un traitement amélioré et individualisé.

Il y a quelques années, des scientifiques ont réalisé une percée grâce à la boîte à outils open source DeepLabCut. Ils ont non seulement pu suivre le point central d’animaux individuels dans des environnements simples, mais également détecter automatiquement la posture corporelle complexe de plusieurs animaux dans des environnements réels. Cela a ouvert la voie au développement de nouveaux outils capables d’extraire des informations de ces données, car capturer une posture n’est pas la même chose qu’analyser les comportements sous-jacents.

Deux groupes de recherche de l'Institut Max Planck de psychiatrie se sont chargés de cette tâche. Les équipes dirigées par Mathias V. Schmidt et Bertram Müller-Myhsok ont ​​développé un package Python appelé DeepOF, qui relie la position des marqueurs corporels individuels au fil du temps avec des modèles de comportement. Cela leur permet d’analyser en détail le comportement des animaux, dans leur cas des souris, dans un environnement semi-naturel sur n’importe quelle période souhaitée.

Deux approches différentes sont utilisées. Dans un pipeline d'analyse supervisée, les comportements sont prédéfinis en fonction des postures corporelles au fil du temps, et les données obtenues peuvent être directement lues et analysées.

"Le pipeline d'analyse non supervisé est encore plus passionnant", déclare le statisticien Müller-Myhsok. "Notre programme recherche des épisodes comportementaux similaires et les classe", ajoute le biologiste Mathias Schmidt. "Cette approche ouvre des dimensions entièrement nouvelles, permettant une enquête automatisée sans hypothèse sur un comportement social complexe et produisant des résultats très intéressants."

Ce type d'outils ouvre de nouvelles possibilités et amène la biologie comportementale, en termes de complexité, à un niveau comparable aux méthodes d'analyse biologique moléculaire ou fonctionnelle.

"À l'avenir, nous pourrons mieux combiner nos résultats avec d'autres dimensions de mesure, telles que les enregistrements EEG, les données d'activité neuronale ou les données de biocapteurs", rapporte le biologiste Joeri Bordes. Lucas Miranda, l'auteur du programme DeepOF, est enthousiasmé par la « science ouverte » car « notre programme est librement accessible aux chercheurs du monde entier, notre code est bien sûr ouvert et tout le monde est invité à contribuer au projet ».