Using machine learning to automate the analysis of an olfactory habituation-dishabituation task in mice

Este estudio valida un pipeline automatizado que combina DeepLabCut y SimBA para analizar con alta precisión el comportamiento de olfación en ratones mediante una sola cámara lateral, demostrando resultados equivalentes a los métodos manuales tradicionales.

Lo esencial

¡Claro que sí! Imagina que este artículo es como la historia de un detective muy perezoso pero brillante que quiere aprender a leer las pistas que dejan los ratones, pero sin tener que pasar horas mirando videos aburridos.

Aquí tienes la explicación de este estudio, contada como si fuera una fábula moderna:

🐭 El Problema: El Detective Cansado

Los científicos necesitan saber si los ratones tienen problemas de memoria u olfato (algo importante para estudiar enfermedades como el Alzheimer). Para hacerlo, les ponen un bastoncillo con un olor (como agua, el olor de un ratón conocido o el de un desconocido) y miden cuánto tiempo lo huele.

El problema es que, tradicionalmente, un humano tenía que sentarse frente a una pantalla, minuto a minuto, contando: "Ah, el ratón huele... deja de oler... vuelve a oler...". Era como intentar contar las gotas de lluvia en una tormenta: lento, aburrido y propenso a errores si te distraes.

🤖 La Solución: El "Ojo Mágico" de la Computadora

Los autores de este estudio crearon un sistema automático (una especie de robot inteligente) que hace el trabajo sucio por ellos. Usaron dos herramientas de "inteligencia artificial" famosas en el mundo de la ciencia:

1. DeepLabCut (El Ojo que ve): Imagina que le pones a la computadora unas "gafas de rayos X" que le permiten ver los huesos y partes del cuerpo del ratón, incluso si está de perfil y se tapa la cara con el bastoncillo. La computadora aprende a seguir la nariz, las orejas y la cola del ratón como si fuera un juego de "sigue la línea".
2. SimBA (El Juez que decide): Una vez que el "Ojo" ve dónde está el ratón, el "Juez" analiza esos movimientos. Le pregunta: "¿Ese movimiento es un olfateo o solo un estiramiento?". Con el tiempo, el Juez aprende a distinguir un olfateo real de un movimiento casual con una precisión increíble.

🎥 El Truco: Ver de Lado

La mayoría de los robots de video miran a los animales desde arriba (como si fueran un mapa). Pero en este experimento, los ratones están en sus jaulas normales, y la cámara los ve de lado.

Esto es como intentar adivinar qué está haciendo alguien en una fiesta mirando solo su perfil en una foto: a veces se tapa la cara o se cruza con otra persona. El sistema tuvo que aprender a "adivinar" dónde estaba la nariz del ratón aunque no la viera directamente, usando la lógica de cómo se mueve su cuerpo. ¡Y lo logró!

🧪 La Prueba: ¿Funciona el Robot?

Para ver si el robot era bueno, los científicos lo pusieron a trabajar con videos de ratones que ya habían sido analizados por humanos expertos.

• El resultado: ¡El robot y los humanos estuvieron casi de acuerdo! Fue como si dos amigos intentaran adivinar cuántas canicas hay en un frasco y ambos dieran el mismo número.
• La conclusión: El robot no solo es rápido, sino que no comete los mismos errores que los humanos (como distraerse o cansarse). Además, cuando los científicos usaron los datos del robot para sacar conclusiones sobre las enfermedades de los ratones, llegaron a exactamente las mismas conclusiones que con los datos humanos.

💡 ¿Por qué es importante esto?

Imagina que tienes que clasificar 10,000 cartas. Hacerlo a mano te tomaría semanas. Con este nuevo sistema, la computadora lo hace en horas y con menos errores.

• Ahorro de tiempo: Los científicos pueden estudiar más ratones y más enfermedades.
• Menos estrés: Los ratones viven en sus jaulas naturales (donde están de lado), no tienen que ser sacados para ponerlos en una caja especial.
• Accesibilidad: No necesitas una supercomputadora gigante; esto puede correr en una computadora de escritorio normal.

En resumen

Este estudio es como inventar un traductor automático para el lenguaje de los ratones. Antes, tenías que aprender a hablar "ratón" tú mismo (mirando videos). Ahora, tenemos un robot que ya sabe hablarlo perfectamente, nos dice exactamente qué están pensando y sintiendo nuestros pequeños amigos, y nos deja libres para hacer ciencia más importante.

¡Es un gran paso para entender cómo funciona el cerebro y cómo curar enfermedades! 🧠🐭✨

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Automatización del análisis de una tarea de habituación-deshabituación olfativa en ratones mediante aprendizaje automático

1. El Problema

El análisis conductual en modelos preclínicos de ratón es fundamental para evaluar enfermedades neurológicas, pero la anotación manual de datos es un proceso lento, propenso a errores y con bajo rendimiento. Específicamente, la tarea de habituación-deshabituación olfativa, que mide la capacidad de los ratones para diferenciar olores (agua, olor social familiar y olor social novedoso), presenta desafíos técnicos únicos:

• Perspectiva lateral: A diferencia de las tareas tradicionales de vista superior, esta tarea requiere una cámara lateral para capturar la interacción del animal con los estímulos olfativos.
• Oclusión: La vista lateral provoca la oclusión de partes del cuerpo del animal, dificultando el seguimiento.
• Condiciones de grabación: Los videos suelen ser en escala de grises (infrarrojos), lo que complica la detección de características.
• Bajo rendimiento: La puntuación manual consume mucho tiempo, limitando la capacidad de realizar estudios longitudinales a gran escala en condiciones de vivienda de alto bienestar (jaulas individuales ventiladas).

2. Metodología

Los autores desarrollaron y validaron un pipeline automatizado que combina dos herramientas de aprendizaje automático (ML) maduras: DeepLabCut (DLC) para la estimación de la postura y SimBA para la clasificación de comportamientos.

• Datos de Entrenamiento: Se utilizaron subconjuntos de videos previamente anotados manualmente (datos "ground-truth") de dos estudios longitudinales publicados anteriormente (Boyanova et al., 2025) que involucraban ratones modificados genéticamente (modelos C9orf72 y Tardbp de ALS/FTD) y controles salvajes (WT) a las edades de 15 y 67 semanas.
• Preprocesamiento:
  • Se seleccionaron 60 videos para el entrenamiento de DLC, equilibrados por edad y genotipo.
  • Los videos se recortaron a la región de interés (cerca del comedero donde se presentan los hisopos con olor) para reducir la complejidad.
• Entrenamiento de DeepLabCut (DLC):
  • Se etiquetaron manualmente 2069 frames para 10 partes del cuerpo del ratón (hocico, ojos, orejas, cuello, espalda, cola, abdomen) y puntos de referencia del entorno (comedor, punta del hisopo, suelo).
  • Se utilizó una arquitectura ResNet-101 con aumento de imágenes (imgaug).
  • El entrenamiento se realizó en ciclos hasta alcanzar un error medio absoluto (MAE) de 2.42 píxeles (~1.1 mm).
• Entrenamiento de SimBA (Clasificación Conductual):
  • Se utilizaron 80 videos (incluyendo los de DLC) para entrenar clasificadores de "huele" vs. "no huele".
  • Se definieron Regiones de Interés (ROI) para el comedero metálico y el hisopo.
  • Se extrajeron características basadas en la postura (ángulos, velocidades, distancias) y se entrenaron modelos de Bosque Aleatorio (Random Forest) con 2000 estimadores.
  • Se estableció un umbral de confianza de 0.5 y una duración mínima de la conducta de 200 ms.
• Validación: El pipeline se probó en videos no vistos previamente, comparando los resultados automáticos con la puntuación manual y entre dos puntuadores manuales independientes.
• Análisis Estadístico: Se utilizaron modelos lineales mixtos generalizados (GLMM) y modelos lineales mixtos (LMM) en R para comparar la eficacia técnica (filtrado de datos) y los resultados biológicos (efectos de genotipo, sexo y edad).

3. Contribuciones Clave

• Pipeline Integrado: Creación de un flujo de trabajo completo que combina estimación de postura y clasificación de comportamiento para una tarea específica con vista lateral y oclusión.
• Adaptabilidad a Vista Lateral: Demostración de que es posible lograr alta precisión en la detección de olores utilizando una sola cámara lateral en escala de grises, superando los desafíos de oclusión.
• Accesibilidad: El pipeline puede ejecutarse en una computadora de escritorio estándar (con una GPU Nvidia RTX4090), eliminando la necesidad de clústeres de alto rendimiento y reduciendo el impacto energético.
• Reproducibilidad: Todo el código (Python, R), scripts de genotipado y datos primarios están disponibles públicamente en GitHub, facilitando la adopción por parte de la comunidad científica.

4. Resultados

• Correlación Alta: Se observó una correlación positiva fuerte y significativa entre la puntuación manual y la del ML en ambos modelos de ratones y edades:
  • C9orf72: r = 0.90 (15 semanas) y r = 0.87 (67 semanas).
  • Tardbp: r = 0.93 (15 semanas) y r = 0.88 (67 semanas).
  • Estas correlaciones fueron comparables a la correlación entre dos puntuadores humanos diferentes.
• Equivalencia Biológica: El análisis estadístico (LMM) mostró que la fuente de los datos (manual vs. ML) no tuvo un efecto significativo en los resultados biológicos principales. Ambos métodos detectaron consistentemente:
  • Los efectos de la presentación del olor (habituación y deshabituación).
  • Las diferencias de genotipo y sexo.
  • Las interacciones entre variables.
• Diferencias Menores: Se observaron algunas discrepancias menores en las comparaciones post-hoc (por ejemplo, la detección de habituación al olor de control en ciertos grupos), pero estas no alteraron las conclusiones biológicas generales ni la validez técnica de la tarea.
• Filtrado de Datos: En el estudio Tardbp a las 67 semanas, hubo una ligera diferencia en la tasa de filtrado de videos que no cumplían el criterio de interacción mínima (<10s), pero esto no sesgó los resultados finales del modelo.

5. Significado e Impacto

• Aumento del Rendimiento: La automatización permite procesar grandes volúmenes de datos conductuales de manera rápida y precisa, facilitando estudios longitudinales a gran escala.
• Validación de Modelos de Enfermedad: El pipeline confirma que es posible evaluar déficits sensoriales y cognitivos en modelos de enfermedades neurodegenerativas (como ALS/FTD) utilizando condiciones de vivienda de alto bienestar (jaulas grupales/IVC) sin sacrificar la precisión de los datos.
• Reducción de Sesgos: Al eliminar la fatiga y la subjetividad humana en la puntuación, se mejora la consistencia y la fiabilidad de los datos preclínicos.
• Escalabilidad: Al funcionar en hardware accesible y requerir menos recursos computacionales que las soluciones multi-cámara, este método democratiza el análisis conductual avanzado para laboratorios con recursos limitados.
• Futuro: El estudio sienta las bases para desarrollar clasificadores más específicos (diferenciando olfateo de lamido/mordida) y extender la aplicación a otros comportamientos en el entorno de la jaula doméstica.

En conclusión, el artículo demuestra que es posible automatizar con alta precisión la cuantificación de comportamientos complejos en ratones utilizando una sola cámara lateral, proporcionando una herramienta robusta y accesible para la investigación neurocientífica preclínica.