Bewegung bietet einen Einblick in die Funktionsweise und Steuerung des Körpers durch das Gehirn. Von der Beobachtung mit dem Klemmbrett und dem Stift bis hin zu modernen, auf künstlicher Intelligenz basierenden Techniken hat die Verfolgung von Bewegungen von Menschen und Tieren einen langen Weg zurückgelegt. Aktuelle Spitzenmethoden nutzen künstliche Intelligenz, um Körperteile automatisch bei ihrer Bewegung zu verfolgen. Allerdings ist das Training dieser Modelle immer noch zeitintensiv und dadurch begrenzt, dass die Forscher jedes Körperteil hunderte bis tausende Male manuell markieren müssen.
Jetzt haben Associate Professor Eiman Azim und sein Team GlowTrack entwickelt, eine nicht-invasive Methode zur Bewegungsverfolgung, die fluoreszierende Farbstoffmarker verwendet, um künstliche Intelligenz zu trainieren. GlowTrack ist robust, zeiteffizient und hochauflösend – es kann eine einzelne Ziffer auf der Pfote einer Maus oder Hunderte von Orientierungspunkten auf einer menschlichen Hand verfolgen.
Die Technik, veröffentlicht in Naturkommunikation am 26. September 2023 hat Anwendungen, die von der Biologie über die Robotik bis zur Medizin und darüber hinaus reichen.
„In den letzten Jahren hat es eine Revolution in der Verhaltensverfolgung gegeben, da leistungsstarke Werkzeuge der künstlichen Intelligenz ins Labor gebracht wurden“, sagt Azim, leitender Autor und Inhaber des William Scandling Developmental Chair. „Unser Ansatz macht diese Werkzeuge vielseitiger und verbessert die Art und Weise, wie wir verschiedene Bewegungen im Labor erfassen. Eine bessere Quantifizierung der Bewegung gibt uns einen besseren Einblick in die Art und Weise, wie das Gehirn das Verhalten steuert, und könnte bei der Untersuchung von Bewegungsstörungen wie Amyotropher Lateralsklerose (ALS) hilfreich sein. und Parkinson-Krankheit.“
Aktuelle Methoden zur Erfassung von Tierbewegungen erfordern häufig, dass Forscher Körperteile manuell und wiederholt auf einem Computerbildschirm markieren – ein zeitaufwändiger Prozess, der menschlichen Fehlern und Zeitbeschränkungen unterliegt. Aufgrund der menschlichen Annotation können diese Methoden normalerweise nur in einer engen Testumgebung verwendet werden, da sich Modelle der künstlichen Intelligenz auf die begrenzte Menge an Trainingsdaten spezialisieren, die sie erhalten. Wenn sich beispielsweise das Licht, die Ausrichtung des Tierkörpers, der Kamerawinkel oder eine Reihe anderer Faktoren ändern würden, würde das Modell das verfolgte Körperteil nicht mehr erkennen.
Um diese Einschränkungen zu beseitigen, verwendeten die Forscher fluoreszierende Farbstoffe, um Teile des tierischen oder menschlichen Körpers zu markieren. Mit diesen „unsichtbaren“ fluoreszierenden Farbstoffmarkierungen kann schnell eine enorme Menge visuell vielfältiger Daten erstellt und in die Modelle der künstlichen Intelligenz eingespeist werden, ohne dass menschliche Anmerkungen erforderlich sind. Sobald diese robusten Daten zugeführt werden, können diese Modelle verwendet werden, um Bewegungen in viel vielfältigeren Umgebungen und mit einer Auflösung zu verfolgen, die mit manueller menschlicher Kennzeichnung weitaus schwieriger zu erreichen wäre.
Dies ermöglicht einen einfacheren Vergleich von Bewegungsdaten zwischen Studien, da verschiedene Labore dieselben Modelle verwenden können, um Körperbewegungen in verschiedenen Situationen zu verfolgen. Laut Azim sind Vergleich und Reproduzierbarkeit von Experimenten für den Prozess wissenschaftlicher Entdeckungen von entscheidender Bedeutung.
„Fluoreszierende Farbstoffmarker waren die perfekte Lösung“, sagt Erstautor Daniel Butler, Bioinformatik-Analyst bei Salk. „Wie die unsichtbare Tinte auf einem Dollarschein, die nur dann aufleuchtet, wenn Sie es möchten, können unsere fluoreszierenden Farbstoffmarkierungen im Handumdrehen ein- und ausgeschaltet werden, sodass wir eine riesige Menge an Trainingsdaten generieren können.“
Das Team freut sich darauf, in Zukunft verschiedene Anwendungen von GlowTrack zu unterstützen und seine Fähigkeiten mit anderen Tracking-Tools zu kombinieren, die Bewegungen in drei Dimensionen rekonstruieren, sowie mit Analyseansätzen, die diese riesigen Bewegungsdatensätze auf Muster untersuchen können.
„Unser Ansatz kann einer Vielzahl von Bereichen zugute kommen, die empfindlichere, zuverlässigere und umfassendere Werkzeuge zur Erfassung und Quantifizierung von Bewegungen benötigen“, sagt Azim. „Ich bin gespannt, wie andere Wissenschaftler und Nicht-Wissenschaftler diese Methoden übernehmen und welche einzigartigen, unvorhergesehenen Anwendungen sich daraus ergeben könnten.“
Weitere Autoren sind Alexander Keim und Shantanu Ray von Salk.
Mehr Informationen:
Großflächige Erfassung versteckter fluoreszierender Markierungen zum Trainieren verallgemeinerbarer markerloser Bewegungserfassungsmodelle, Naturkommunikation (2023). DOI: 10.1038/s41467-023-41565-3