大阪大学信息科学与技术研究生院的科学家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步行行为。通过从步行数据中自动删除特定物种的特征，所得数据可用于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源。例如，他们可以根据其在雪中留下的痕迹的特征来确定其物种。然而，有时科学家更关心不同数据集中的相同之处，而不是不同之处。尝试汇总来自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组科学家使用机器学习从蠕虫、甲虫、小鼠和人类受试者创建的独立于物种的运动数据中获取模式。“比较行为分析的一个核心目标是确定动物中类似人类的行为库，”第一作者 Takuya Maekawa 解释说。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，包括由低多巴胺水平引起的疾病。动物运动数据会产生更多的信息;然而，动物运动的空间和时间尺度因物种而异。这意味着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具有梯度反转层，可预测 (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。从那里，网络经过训练，使其无法预测收集输入数据的物种，这导致创建了一个无法区分物种但能够识别特定疾病的网络。这使网络能够提取疾病固有的运动特征。
他们的实验揭示了缺乏多巴胺的蠕虫、小鼠和人类共有的跨物种运动特征。尽管存在进化差异，但所有这些生物都无法在保持高速移动的同时。此外，发现这些动物在加速时的速度不稳定。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，即使它们具有不同的体型和运动方式。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。
“我们的项目表明，深度学习可以成为一种强大的工具，可以从数据集中提取知识，这些数据集看起来差异太大而无法由人类研究人员进行比较，”作者 Takahiro Hara 说。该团队预计，这项工作将用于寻找影响进化遥远物种的疾病的其他共同特征。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！