Millisecond-scale detection of mouse ultrasonic vocalizations enables closed-loop experiments

Mäuse sind weitaus vokaler, als ihr Piepsen vermuten lässt. Wenn sie sozial interagieren, sei es mit einer Mutter, einem potenziellen Partner oder einem Fremden, senden sie einen schnellen Strom von Lauten aus, die viel zu hochfrequent für das menschliche Ohr sind. Diese Ultraschallrufe, die Frequenzen erreichen können, die weit über unsere Wahrnehmung hinausgehen, dienen als eine reiche Sprache für ihre soziale Welt. Für Wissenschaftler, die das Verhalten untersuchen, bieten diese Laute ein direktes Fenster in den Geist der Maus und offenbaren Momente der Paarung, des Stresss oder der Neugier. Doch über Jahrzehnte hinweg war das Zuhören in dieses Gespräch ein langsamer, rückblickender Prozess. Forscher nahmen Stunden von Audio auf und verbrachten dann Tage oder Wochen damit, Computer zu nutzen, um die Stille nach den kurzen, flüchtigen Rufen zu durchsuchen, die in den Geräuschen verborgen lagen. Bis die Rufe identifiziert waren, war der Moment längst verstrichen, was es unmöglich machte, auf die Kommunikation der Maus zu reagieren, während sie stattfand.

Diese Einschränkung hat ein mächtiges Werkzeug für die Echtzeit-Wissenschaft unerreichbar gehalten. Wenn ein Forscher den Ruf in dem Moment hören könnte, in dem er ausgestoßen wird, könnte er sofort mit einem Licht, einem Ton oder einem Reiz reagieren und so die eigene Stimme der Maus in den Auslöser des Experiments verwandeln. Die Herausforderung war technischer Natur: Diese Rufe sind unglaublich kurz, oft dauern sie nur wenige Millisekunden, und sie treten in schnellen Schüben auf. Bestehende Computerprogramme waren zu langsam, um sie während des Geschehens zu erfassen; sie erforderten meist eine lange Sequenz von Audio, bevor sie überhaupt mit der Analyse beginnen konnten. Ein neues Werkzeug, das von Forschern der Universität Bonn entwickelt wurde, verändert diese Dynamik grundlegend. Sie haben ein System entwickelt, das die rohen Schallwellen der Stimme einer Maus hört und innerhalb von Millisekunden entscheidet, ob ein Ruf stattfindet – schnell genug, um eine sofortige Reaktion auszulösen, während die Maus noch spricht.

Die Forscher unter der Leitung von Martin K. Schwarz bauten ein System, das sie DeepFisFis nennen. Anstatt zu versuchen, den Klang zuerst in ein visuelles Bild zu übersetzen – ein Schritt, der Zeit und Rechenleistung kostet –, betrachtet ihr System direkt die Form der Schallwelle selbst. Stellen Sie sich die Schallwelle wie eine zackige Linie vor, die über einen Bildschirm wandert. Das System schneidet diese Linie in winzige, fünf Millisekunden kleine Stücke. Für jedes Stück stellt es eine einfache Frage: Sieht dieses winzige Stück Klang wie Teil eines Mäuse-Rufs aus? Da die Stücke so klein sind, kann der Computer diese Frage fast augenblicklich beantworten. Tatsächlich verarbeitet das System jedes Stück in etwa 2,5 Millisekunden, was schneller ist als die Zeit, die das Mikrofon benötigt, um dieses Stück überhaupt aufzunehmen. Diese Geschwindigkeit bedeutet, dass der Computer dem Audiostream niemals hinterherhinkt; er hört immer in Echtzeit zu und ist bereit, in dem Moment zu handeln, in dem ein Ruf beginnt.

Um zu beweisen, dass dies funktionierte, testete das Team sein System gegen etablierte Methoden, die seit Jahren eingesetzt werden. Sie fütterten das System mit Aufnahmen von interagierenden Mäusen und baten es, die Rufe zu finden. Das neue System fand fast jeden einzelnen Ruf, den menschliche Experten markiert hatten, und erreichte dabei die Genauigkeit der älteren, langsameren Werkzeuge oder übertraf sie sogar. Aber die Genauigkeit war nur die halbe Wahrheit. Der wahre Test war die Geschwindigkeit. Als die Forscher maßen, wie lange die Analyse eines Audio-Abschnitts dauerte, war ihr neues System vier- bis fünfmal schneller als die bisher besten Werkzeuge. Wichtiger noch: Da es mit solch winzigen Stücken arbeitet, muss es nicht warten, bis ein ganzer Ruf beendet ist, um eine Entscheidung zu treffen. Es kann identifizieren, dass ein Ruf begonnen hat, nur wenige Millisekunden nachdem der Klang eingesetzt hat.

Diese Geschwindigkeit ermöglichte eine neue Art, Experimente durchzuführen. Das Team richtete ein Closed-Loop-System ein – einen Aufbau, bei dem der Computer zuhört und sofort eine Reaktion auslöst. In ihrem Test spielten sie aufgezeichnete Mäuse-Rufe an das System ab. Sobald das System einen Ruf detektierte, löste es einen Ton aus, der über einen Lautsprecher abgespielt wurde. Der gesamte Prozess, vom Eintreffen des Schalls am Mikrofon bis zum Abspielen des Tons, dauerte etwa 128 Millisekunden. Während diese Verzögerung hauptsächlich auf die Hardware zurückzuführen ist und nicht auf die Software, war die entscheidende Erkenntnis, dass die Software selbst fast keine zusätzliche Zeit hinzufügte. Das System war schnell genug, um mit dem Fluss des Schalls Schritt zu halten, was bewies, dass der Computer als ein Echtzeit-Partner im Experiment agieren kann, anstatt nur ein passiver Rekorder zu sein.

Über das Auslösen von Reaktionen hinaus bietet diese Geschwindigkeit eine praktische Lösung für ein massives Problem der modernen Wissenschaft: die Datenspeicherung. Die Aufnahme hochwertiger Audioaufnahmen mit den Geschwindigkeiten, die nötig sind, um diese Rufe zu erfassen, erzeugt enorme Datenmengen. Wenn ein Forscher eine Stunde lang aufnimmt, kann er am Ende Gigabytes an überwiegend stiller Audioaufnahme erhalten, in denen nur ein winziger Bruchteil tatsächliche Rufe enthält. Das neue System erlaubt es Forschern, nur das aufzunehmen, was wichtig ist. Indem der Detektor den Audiostream live überwacht, kann der Computer entscheiden, nur die Momente zu speichern, in denen ein Ruf erkannt wird, zusammen mit einem kleinen Puffer von Ton vor und nach dem Ereignis. In ihren Tests reduzierte diese Methode die Menge der gespeicherten Daten um mehr als 75 Prozent, während sie fast alle tatsächlichen Vokalisationen beibehielt. Dies bedeutet, dass Wissenschaftler längere Experimente durchführen oder komplexere Verhaltensweisen aufzeichnen können, ohne von leeren Daten überwältigt zu werden.

Das System zeigte auch eine bemerkenswerte Flexibilität. Die Forscher trainierten den Computer mit Aufnahmen, die mit einer spezifischen Geschwindigkeit gemacht wurden, und testeten ihn dann an Aufnahmen, die mit einer anderen, schnelleren Geschwindigkeit erstellt worden waren. Ohne neue Daten sammeln oder das System von Grund auf neu trainieren zu müssen, konnten sie das Werkzeug an die neuen Bedingungen anpassen und die hohe Genauigkeit beibehalten. Dies deutet darauf hin, dass das System die grundlegende Form der Mäusestimme lernt, anstatt nur spezifische Aufnahmen auswendig zu lernen, was es robust genug macht, um in verschiedenen Laboren mit unterschiedlicher Ausrüstung zu funktionieren.

Die Arbeit stellt einen Wandel in der Art und Weise dar, wie Wissenschaftler mit dem Verhalten von Tieren interagieren. Jahrelang war die Untersuchung der Kommunikation von Mäusen eine retrospektive Tätigkeit, bei der analysiert wurde, was bereits geschehen war. Dieser neue Ansatz verwandelt die Stimme der Maus in ein Live-Signal, das sofort verfügbar ist, wenn sie erzeugt wird. Er ersetzt nicht die detaillierte Analyse, die später stattfindet, aber er öffnet die Tür für Experimente, in denen die Stimme des Tieres den Verlauf der Studie steuert. Indem sie zuhören und im Bruchteil eines Augenblicks reagieren, können Forscher nun Fragen zu den neuronalen Schaltkreisen hinter der Kommunikation auf eine Weise stellen, die zuvor unmöglich war – indem sie von der bloßen Beobachtung eines Gesprächs zur aktiven Teilnahme daran übergehen.