Штучний інтелект відкриває нові можливості для дослідження поведінки тварин. Якщо раніше вчені переважно відстежували переміщення лабораторних мишей як одну точку на екрані, то сучасні алгоритми дають змогу аналізувати положення всього тіла — від вигину хребта до рухів окремих кінцівок. Новий огляд досліджень у цій галузі показує, наскільки суттєво такий підхід розширив можливості поведінкової науки. Водночас автори наголошують на проблемі, яку не здатні розв’язати навіть найкращі камери: дослідники досі не мають узгоджених визначень багатьох типів поведінки. Від окремих показників до аналізу рухів У традиційних експериментах ученим доводилося обмежуватися кількома числовими показниками. Наприклад, у Y-подібному лабіринті оцінювали, наскільки часто миша обирає правильний шлях до їжі, а під час тесту у відкритому полі рахували, як часто тварина виходить у відкриту центральну зону. Останній показник використовували як ознаку тривожності. Такі методики легко стандартизувати, але вони не дають повного уявлення про поведінку тварини. До того ж перенесення миші з домашньої клітки до незнайомого експериментального середовища саме по собі може змінити її реакції. Автори огляду також звертають увагу на розрив між поведінковими тестами та сучасними дослідженнями мозку: навіть коли прилади реєструють активність тисяч нейронів одночасно, її часто порівнюють лише з одним показником, наприклад швидкістю руху. Нові системи використовують відео та алгоритми штучного інтелекту, які визначають ключові точки на тілі тварини в кожному кадрі. Цей метод називають оцінюванням пози. Один із найвідоміших інструментів — відкрита програма DeepLabCut, для навчання якої достатньо порівняно невеликої кількості вручну розмічених зображень. Додатково лабораторії застосовують інфрачервоні камери та ультразвукові мікрофони, здатні реєструвати звуки, недоступні людському слуху. Інше програмне забезпечення класифікує зафіксовані рухи: одні алгоритми навчаються на відео з готовими позначками, інші самостійно групують схожі рухи. Безпозначковий аналіз уже допоміг виявити рухи тривалістю менш як секунду, які раніше не помічали люди. Однак автори застерігають: те, що комп’ютер може відокремити певний рух від інших, ще не означає, що він має самостійне біологічне значення. Чому складно відстежувати кількох тварин Аналіз однієї миші значно простіший, ніж одночасне спостереження за кількома тваринами. Програмі потрібно не лише розпізнавати рухи, а й постійно визначати, яка саме миша перебуває в кадрі. Це ускладнюється тим, що лабораторні тварини одного виведеного штаму або одного виводка часто майже не відрізняються зовні. До того ж їхній силует змінюється залежно від пози, а гризіння може залишати ділянки без шерсті. За наведеним в огляді порівнянням, програма SLEAP досягала приблизно 90% від максимальної точності відстеження після навчання лише на близько 200 розмічених відеокадрах. Проте вона плутала особини приблизно 23 рази на кожні 100 тисяч кадрів. Для порівняння, під час відстеження плодових мушок такі помилки траплялися рідше одного разу на 100 тисяч кадрів. Навіть одна помилка ідентифікації може вплинути на всі наступні вимірювання, якщо їх приписати не тій тварині. Індивідуальні радіомітки допомагають надійно розрізняти особин, але їх імплантація є інвазивною процедурою, яка може спричинити дискомфорт і змінити поведінку. Відсутність спільних визначень Ще одна серйозна проблема — відсутність єдиних критеріїв класифікації поведінки. Наприклад, дослідники можуть по-різному визначати, наскільки різким або тривалим має бути відхилення від прямої траєкторії, щоб вважати його поворотом. Складнощі виникають і з ширшими поняттями. Тривожноподібну поведінку можуть оцінювати за тим, скільки часу миша проводить у відкритих рукавах піднятого хрестоподібного лабіринту, або за тим, наскільки близько вона тримається до стінок відкритої арени. Хоча обидва показники називають проявами тривожності, вони можуть відображати різні аспекти поведінки. Не менш складно класифікувати соціальні взаємодії. Наприклад, незрозуміло, на якій відстані наближення однієї миші до іншої слід вважати соціальним контактом. За участю трьох тварин ситуація ускладнюється: дві можуть об’єднатися проти третьої або одна може втрутитися в конфлікт між іншими. Різні дослідницькі підходи ускладнюють об’єднання та порівняння результатів. Формат Neurodata Without Borders автори називають важливим кроком до стандартизації даних, однак лабораторії поки використовують його нерівномірно. Чи можна описати поведінку за аналогією з ДНК Серед більш перспективних, але поки спекулятивних ідей автори пропонують концепцію «поведінкових нуклеотидів». За аналогією з ДНК, де послідовності нуклеотидів несуть генетичну інформацію, кожен зафіксований момент руху тварини можна було б описувати набором числових характеристик. Такі елементарні одиниці, об’єднані за певними правилами — «поведінковим синтаксисом», — формували б складніші моделі, пов’язані, наприклад, із пошуком їжі або уникненням небезпеки. Якщо цю концепцію вдасться реалізувати, дослідники зможуть застосовувати методи аналізу послідовностей, подібні до тих, що використовуються в генетиці. Це також може дозволити прогнозувати ймовірну наступну дію тварини. Проте для цього необхідно спочатку узгодити визначення базових одиниць поведінки. Крім того, поділ безперервного руху на окремі кроки може призвести до втрати інформації про поступові зміни. Інша пропозиція — створення «двомовних роботизованих тварин», які передавали б живим тваринам точні й відтворювані сигнали. Змінюючи по одному сигналу за раз, учені могли б поступово сформувати своєрідний словник мови тіла. Однак робот може відрізнятися від справжнього гризуна зовнішністю, рухами та запахом, тому реакція тварини може бути спричинена саме цією незвичністю. Межі можливостей штучного інтелекту Поки що залишається відкритим питання, чи допоможуть ці технології безпосередньо в лікуванні людей. Точніший аналіз поведінки може зробити доклінічні дослідження відтворюванішими, але перенесення результатів із тварин на людей обмежене міжвидовими відмінностями та тим, що лабораторні тести не завжди відповідають складності людських психічних розладів. Зменшити потребу в експериментах на живих тваринах можуть і комп’ютерні моделі. Наприклад, віртуальні миші на основі тривимірних анатомічних моделей здатні створювати навчальні відео з уже готовими позначками рухів. В одному з досліджень програмне забезпечення, навчене на синтетичних відео, оцінювало пози приблизно так само добре, як система, що використовувала записи з ручною розміткою. Автори закликають створити спільні набори реальних тестових відео, щоб лабораторії могли порівнювати ефективність алгоритмів, навчених на справжніх або згенерованих комп’ютером матеріалах. Огляд досліджень опубліковано в журналі The Innovation Reviews.