Künstliche Intelligenz löst Konflikte, die die Verhaltensforschung bei Tieren behindern

Wie Forscher aus Seattle berichten, wurde Software für künstliche Intelligenz entwickelt, um das Verhalten von Tieren schnell zu analysieren und so Verhaltensweisen präziser mit der Aktivität einzelner Gehirnschaltkreise und Neuronen in Verbindung zu bringen.

„Das Programm verspricht nicht nur eine Beschleunigung der Forschung zur Neurobiologie des Verhaltens, sondern ermöglicht auch Vergleiche und die Abstimmung abweichender Ergebnisse aufgrund von Unterschieden in der Art und Weise, wie einzelne Laboratorien Verhaltensweisen beobachten, analysieren und klassifizieren“, sagte Sam Golden, Assistenzprofessor für biologische Strukturen an der medizinischen Fakultät der University of Washington.

„Dieser Ansatz erlaubt es den Laboren, verhaltensbasierte Verfahren nach Belieben zu entwickeln und ermöglicht allgemeine Vergleiche zwischen den Ergebnissen von Studien, die unterschiedliche verhaltensbasierte Ansätze verwenden“, sagte er.

A Papier Beschreibung des Programms erscheint in der Zeitschrift Naturneurowissenschaften. Golden und Simon Nilsson, ein Postdoktorand im Golden-Labor, sind die Hauptautoren des Artikels. Die Erstautorin ist Nastacia Goodwin, eine Doktorandin im Labor.

Die Untersuchung der neuronalen Aktivität, die dem Verhalten von Tieren zugrunde liegt, hat zu großen Fortschritten beim Verständnis und der Behandlung menschlicher Störungen wie Sucht, Angst und Depression geführt.

Ein Großteil dieser Arbeit basiert auf Beobachtungen, die einzelne Forscher sorgfältig dokumentieren. Dazu beobachten sie die Tiere im Labor, notieren ihre körperlichen Reaktionen auf unterschiedliche Situationen und setzen dieses Verhalten anschließend mit Veränderungen der Gehirnaktivität in Beziehung.

Um beispielsweise die Neurobiologie der Aggression zu untersuchen, könnten Forscher zwei Mäuse in einen geschlossenen Raum setzen und Anzeichen von Aggression aufzeichnen. Dazu würden typischerweise Beobachtungen der physischen Nähe der Tiere zueinander, ihrer Körperhaltung und körperlicher Äußerungen wie schnelles Zucken oder Rasseln des Schwanzes gehören.

Das Annotieren und Klassifizieren solcher Verhaltensweisen ist eine anspruchsvolle und langwierige Aufgabe. Es kann schwierig sein, wichtige Details genau zu erkennen und aufzuzeichnen, sagte Golden. „Soziales Verhalten ist sehr kompliziert, geschieht sehr schnell und ist oft nuanciert, sodass viele seiner Komponenten verloren gehen können, wenn ein Einzelner es beobachtet.“

Um diesen Prozess zu automatisieren, haben Forscher KI-basierte Systeme entwickelt, um Komponenten des Verhaltens eines Tieres zu verfolgen und das Verhalten beispielsweise automatisch als aggressiv oder unterwürfig zu klassifizieren.

Da diese Programme Details zudem schneller aufzeichnen können als ein Mensch, ist es viel wahrscheinlicher, dass eine Aktion eng mit der neuronalen Aktivität korreliert werden kann, die normalerweise innerhalb von Millisekunden erfolgt.

Ein solches Programm, das von Nilsson und Goodwin entwickelt wurde, heißt SimBA, was für Simple Behavioral Analysis steht. Das Open-Source-Programm verfügt über eine benutzerfreundliche grafische Oberfläche und erfordert keine besonderen Computerkenntnisse. Es wird von Verhaltensforschern weithin angenommen.

„Obwohl wir SimBA für ein Nagetierlabor entwickelt haben, erhielten wir sofort E-Mails von allen möglichen Laboren: Wespenlaboren, Mottenlaboren, Zebrafischlaboren“, sagte Goodwin.

Doch als immer mehr Labore diese Programme einsetzten, stellten die Forscher fest, dass ähnliche Experimente zu völlig unterschiedlichen Ergebnissen führten.

„Es wurde deutlich, dass die Art und Weise, wie ein einzelnes Labor oder eine einzelne Person Verhalten definiert, ziemlich subjektiv ist, selbst wenn man versucht, bekannte Verfahren zu replizieren“, sagte Golden.

Darüber hinaus war es schwierig, diese Unterschiede zu erklären, da oft unklar ist, wie KI-Systeme zu ihren Ergebnissen gelangen und ihre Berechnungen in einer sogenannten „Black Box“ stattfinden.

In der Hoffnung, diese Unterschiede zu erklären, integrierten Goodwin und Nilsson in SimBA einen auf maschinellem Lernen basierenden Erklärbarkeitsansatz, der den sogenannten Shapely Additive exPlanations (SHAP)-Score erzeugt.

Im Wesentlichen geht es bei diesem Erklärbarkeitsansatz darum, zu ermitteln, wie sich die Wahrscheinlichkeit einer genauen Vorhersage durch den Computer ändert, wenn ein Merkmal entfernt wird, das zur Klassifizierung eines Verhaltens verwendet wird, beispielsweise das Rasseln des Schwanzes.

Durch das Entfernen verschiedener Merkmale aus Tausenden verschiedener Kombinationen kann SHAP bestimmen, wie viel Vorhersagekraft jedes einzelne Merkmal hat, das im Algorithmus zur Klassifizierung des Verhaltens verwendet wird. Die Kombination dieser SHAP-Werte definiert dann das Verhalten quantitativ und entfernt die Subjektivität in Verhaltensbeschreibungen.

„Jetzt können wir die jeweiligen Verhaltensprotokolle (verschiedener Labore) mithilfe von SimBA vergleichen und sehen, ob wir objektiv dasselbe oder ein unterschiedliches Verhalten betrachten“, sagte Golden.

„Dieser Ansatz ermöglicht es Laboren, Experimente nach Belieben zu gestalten. Da man nun aber Verhaltensergebnisse von Laboren, die unterschiedliche Verhaltensdefinitionen verwenden, direkt vergleichen kann, kann man klarere Schlussfolgerungen zwischen ihren Ergebnissen ziehen. Früher konnten inkonsistente neuronale Daten auf viele Störfaktoren zurückgeführt werden, und jetzt können wir Verhaltensunterschiede klar ausschließen, da wir nach laborübergreifender Reproduzierbarkeit und Interpretierbarkeit streben“, sagte Golden.