蠕虫、老鼠和人类共有的运动障碍的行走模式
大阪大学信息科学与技术研究生院的科学家们使用动物位置跟踪和人工智能来自动检测跨物种共有的运动障碍的行走行为。通过自动从行走数据中去除特定物种的特征，得到的数据可以用来更好地了解影响运动的神经系统疾病。
机器学习算法，尤其是使用多层人工神经元的深度学习方法，非常适合区分不同的数据来源。例如，他们可以根据雪中留下的足迹特征来确定物种。然而，有时科学家们更关心不同数据集中的相同之处，而不是不同之处。当试图汇总不同类型动物的读数时，可能会出现这种情况。
现在，由大阪大学领导的一个科学家团队已经使用机器学习从蠕虫、甲虫、老鼠和昆虫创造的运动数据中获得模式人类被试这与物种无关。“比较行为分析的一个中心目标是识别动物中类似人类的行为库，”第一作者前川拓哉解释道。这种方法可以帮助科学家研究导致运动功能障碍的人类神经系统疾病，包括那些由低多巴胺水平引起的疾病。动物运动数据将产生更多的信息;然而，动物运动的时空尺度因物种而异。这意味着这些数据不能直接与人类行为进行比较。为了克服这个问题，该团队设计了一个神经网络使用梯度反转层预测(a)输入运动数据是否来自患病动物以及(b)输入数据来自哪个物种。在此基础上，对该网络进行训练，使其无法预测收集输入数据的物种，从而创建了一个无法区分物种但能够识别特定疾病的网络。这使得该网络能够提取出疾病固有的运动特征。
-
本研究中使用的动物。来源:名古屋市立大学和冈山大学 -
老鼠的移动速度。红色部分是我们神经网络模型的焦点，它可能包含跨物种运动特征。在这个例子中，该网络识别出了多巴胺缺乏小鼠的特征——短暂的速度峰值。T. Maekawa等人，自然通讯
他们的实验揭示了多巴胺缺乏的蠕虫、老鼠和人类共有的跨物种运动特征。尽管它们在进化上存在差异，但所有这些生物都无法在保持高速运动的同时移动。此外，这些动物的速度在加速时是不稳定的。有趣的是,这些动物在多巴胺缺乏的情况下表现出类似的运动障碍，即使他们有不同的身体规模和运动方法。虽然之前的研究表明多巴胺缺乏与所有这些物种的运动障碍有关，但这项研究首次确定了由这种缺乏引起的共同运动特征。
作者Takahiro Hara说:“我们的项目表明，深度学习可以成为从数据集中提取知识的强大工具，这些数据集差异太大，人类研究人员无法进行比较。”研究小组预计，这项工作将被用于发现影响进化遥远物种的疾病的其他共同特征。
文章，“十字-物种基于注意域对抗深度神经网络的行为分析”发表于自然通讯。
进一步探索
