Quantifying Behavioral Structure and Persistence in Open-Field Assays Using Entropy and Spectral Metrics

Questo studio propone un framework ad alto rendimento che integra la stima della posa 3D e la modellazione Markoviana nascosta per trasformare il comportamento spontaneo dei roditori in unità discrete, quantificandone l'organizzazione dinamica attraverso l'entropia di Shannon e il secondo autovalore della matrice di transizione.

L'essenziale

Immagina di osservare un topo che cammina liberamente in una stanza vuota. Per decenni, gli scienziati hanno studiato questi topi contando cose semplici: "Quanto ha corso in totale?", "Quanto tempo ha passato al centro della stanza?" o "Quanto era veloce?". È come se volessimo capire la bellezza di un'opera d'arte guardando solo il peso del quadro o la lunghezza della cornice. Ci perdiamo la storia, il ritmo e la complessità del movimento.

Questo articolo propone un modo completamente nuovo e affascinante per guardare il comportamento, trasformando il caos dei movimenti in una sinfonia di azioni.

Ecco come funziona, spiegato con parole semplici e metafore:

1. Gli Occhi che non sbattono le palpebre (AVATAR-3D)

Prima di tutto, i ricercatori usano una telecamera speciale con 5 obiettivi (AVATAR-3D) che guarda il topo da ogni angolazione possibile. Invece di un semplice video, questo sistema crea una "statua digitale" del topo in movimento, tracciando ogni suo passo, ogni orecchio e ogni movimento della coda in 3D. È come se avessimo un mago che disegna il topo punto per punto, istante per istante, senza mai perdere un dettaglio, anche se il topo si nasconde dietro un angolo.

2. Il Traduttore di "Sillabe" (Keypoint-MoSeq)

Qui arriva la parte magica. Il movimento di un topo non è un flusso continuo e confuso; è fatto di piccoli "blocchi" ripetitivi. Immagina che il topo non stia solo "camminando", ma stia "parlando" con il suo corpo.
Il computer analizza questi movimenti e li divide in sillabe.

• Una sillaba potrebbe essere un "girarsi su se stesso".
• Un'altra potrebbe essere un "annusare il pavimento".
• Un'altra ancora un "fermarsi e guardare".

Il sistema impara da solo (senza che gli umani gli dicano cosa cercare) quali sono queste sillabe ricorrenti. È come se avessimo un traduttore che ascolta una lingua sconosciuta e ci dice: "Ah, questo è un verbo, quello è un aggettivo".

3. La Partitura Musicale (Entropia ed Eigen)

Una volta che abbiamo la lista delle sillabe (es. "gira, annusa, gira, corre"), possiamo analizzare la "musica" del comportamento. I ricercatori usano due strumenti matematici per capire come è composta questa musica:

• L'Entropia (La Varietà): Pensa a un DJ.

  • Se il DJ suona sempre la stessa canzone, l'entropia è bassa (il comportamento è rigido, ripetitivo).
  • Se il DJ salta da un genere all'altro in modo casuale, l'entropia è alta (il comportamento è caotico e vario).
  • In questo studio, l'entropia ci dice quanto il topo è "creativo" nel mixare i suoi movimenti.

• L'Eigen (La Persistenza): Pensa a un treno che viaggia su un binario.

  • Se il treno cambia binario ogni secondo, il viaggio è instabile e veloce (bassa persistenza).
  • Se il treno rimane sullo stesso binario per molto tempo prima di cambiare, il viaggio è stabile e prevedibile (alta persistenza).
  • Questo valore ci dice quanto il topo tende a "incollarsi" a un certo tipo di movimento prima di passare al successivo.

4. Cosa hanno scoperto? (La Prova del Fatto)

I ricercatori hanno testato questo sistema in due modi:

A. I Topi "Normali" (L'Adattamento)
Hanno osservato topi sani per 30 minuti. All'inizio, i topi erano come esploratori in una nuova città: facevano un po' di tutto, giravano, annusavano, cambiavano direzione spesso (alta entropia). Ma man mano che si abituavano alla stanza, il loro comportamento diventava una "canzone" più strutturata e prevedibile. Si calmavano, diventavano più efficienti. È come quando entri in un ufficio nuovo: il primo giorno sei agitato e fai cose a caso; dopo una settimana, il tuo percorso è un'automatismo preciso.

B. L'Effetto della Droga (Ketamina)
Poi hanno dato ai topi la ketamina (una droga che simula certi aspetti della schizofrenia).

• Il risultato sorprendente: I topi sotto effetto di ketamina avevano un'entropia globale più alta. Sembrava che fossero più "liberi" e facessero più cose diverse.
• Ma c'è un trucco: Se guardi da vicino, scopri che mentre facevano più cose diverse, quelle cose specifiche (come girare in tondo o fare capriole) diventavano più rigide e ripetitive.
• L'analogia: Immagina un ballerino che sotto l'effetto di una droga inizia a saltare ovunque (alta varietà globale), ma ogni volta che salta, lo fa con la stessa identica, ossessiva e prevedibile tecnica (bassa varietà locale). È un caos che nasconde una rigidità interna.

Perché è importante?

Fino ad oggi, per capire se un topo era "strano" o malato, gli scienziati guardavano solo la velocità o la distanza. Era come giudicare un libro solo dal numero di pagine.
Questo nuovo metodo ci permette di leggere la struttura della storia. Ci dice non solo cosa fa il topo, ma come organizza i suoi pensieri e le sue azioni nel tempo.

È uno strumento potentissimo per capire malattie mentali, l'effetto dei farmaci o semplicemente come il cervello organizza il movimento, trasformando il semplice "camminare" in una complessa e affascinante danza di dati.

Sommario tecnico

Titolo: Quantificazione della Struttura Comportamentale e della Persistenza negli Assaggi Open-Field mediante Entropia e Metriche Spettrali

1. Il Problema

Gli assay tradizionali in campo aperto (open-field) per la quantificazione del comportamento dei roditori si basano su metriche scalari a bassa dimensionalità, come la velocità media, la distanza totale percorsa o il tempo trascorso al centro dell'arena. Sebbene queste misure offrano intuizioni sui pattern locomotori e sulle preferenze, esse trascurano le intricate dinamiche temporali e la struttura temporale del comportamento spontaneo. L'analisi attuale spesso tratta il comportamento come una collezione di azioni isolate piuttosto che come un sistema dinamico stocastico complesso, ignorando la persistenza temporale e le transizioni tra stati comportamentali.

2. Metodologia

Gli autori hanno sviluppato un framework ad alto rendimento che integra tecnologie di visione artificiale avanzate con modelli statistici non supervisionati per trasformare le registrazioni video in sequenze temporali di unità comportamentali discrete ("sillabe").

• Acquisizione Dati (AVATAR-3D): Invece di sistemi a singola telecamera (come SLEAP o DeepLabCut), è stato utilizzato il sistema AVATAR-3D. Questo sistema impiega 5 telecamere sincronizzate a 30 fps disposte attorno a un'arena di 20x20 cm, permettendo una stima della posa 3D senza marcatori (markerless) con alta precisione e minimizzando le ambiguità dovute all'occlusione delle parti del corpo.
• Pre-elaborazione: I dati delle coordinate 3D sono stati elaborati per 8 punti di riferimento anatomici (esclusa la punta della coda, considerata rumorosa). È stata applicata una riduzione della dimensionalità tramite PCA (Analisi delle Componenti Principali), trattenendo al massimo 10 componenti che spiegano il 90% della varianza, per migliorare l'efficienza computazionale.
• Segmentazione (Keypoint-MoSeq - KPMS): I dati ridotti sono stati inseriti nel framework Keypoint-MoSeq, che utilizza un Modello Markoviano Nascosto Autoregressivo (AR-HMM) non supervisionato. Questo modello segmenta i dati continui in "sillabe" comportamentali discrete e ricorrenti, identificando pattern dal basso verso l'alto (bottom-up) senza conoscenze preconcette.
• Analisi Dinamica e Spettrale:
  • È stata costruita una matrice di probabilità di transizione $P$ (stocastica per righe) tra le sillabe.
  • Entropia di Shannon ($H$): Calcolata sulla distribuzione stazionaria delle occupazioni delle sillabe per misurare la dispersione globale del repertorio comportamentale.
  • Entropia Locale ($H_i$): Calcolata per ogni sillaba per misurare la dispersione delle transizioni in uscita da uno stato specifico.
  • Secondo Autovalore ($\text{Eigen}_2$): Estratto dalla matrice di transizione. Poiché il primo autovalore è 1 (per le matrici stocastiche), $\text{Eigen}_2$ quantifica la persistenza temporale e la velocità di mescolamento (mixing) del sistema. Valori vicini a 1 indicano una mescolanza lenta e alta persistenza degli stati.

3. Risultati Chiave

A. Caratterizzazione del Comportamento in Mice Wild-Type (WT)

• Struttura Non Casuale: L'analisi di 12 topi WT ha dimostrato che il comportamento spontaneo non è casuale ma organizzato attorno a un repertorio stabile di stati. Le sillabe mostrano distribuzioni di frequenza non uniformi e transizioni preferenziali.
• Dinamica di Abituazione: Analizzando la sessione di 30 minuti in 10 segmenti temporali, è stata osservata una tendenza significativa:
  • Diminuzione dell'Entropia Globale: Il repertorio comportamentale diventa meno disperso nel tempo.
  • Aumento di $\text{Eigen}_2$: La persistenza temporale aumenta.
  • Interpretazione: Questo riflette i principi di abituazione, dove il comportamento esplorativo iniziale (variabile) si stabilizza in un repertorio più vincolato e prevedibile man mano che l'animale si familiarizza con l'ambiente.

B. Effetti Farmacologici (Ketamina vs. Salina)
L'applicazione del framework a topi trattati con Ketamina (30 mg/kg, i.p.) ha rivelato cambiamenti strutturali sottili ma significativi:

• Aumento dell'Entropia Globale: I topi trattati con ketamina mostrano un'entropia globale più alta rispetto ai controlli, indicando un repertorio comportamentale più disperso e meno concentrato su un sottoinsieme ristretto di sillabe.
• Inversione dell'Entropia Locale: È emersa una dissociazione unica:
  • Le sillabe favorite dalla ketamina (es. pivot, giri, circoli) mostrano una minore entropia locale (transizioni più prevedibili e rigide) nei soggetti trattati con ketamina.
  • Le sillabe favorite dalla salina (es. arrampicamento, posture inattive) mostrano una maggiore entropia locale nei controlli.
• Interpretazione: La ketamina induce una riorganizzazione multi-scala: espande la diversità globale degli stati comportamentali (maggiore entropia globale) ma aumenta la rigidità e la prevedibilità delle transizioni all'interno dei motivi comportamentali specifici indotti dal farmaco (minore entropia locale).
• Dinamica Temporale: Mentre l'entropia globale dei topi con ketamina rimane elevata nelle fasi tardive della sessione, i controlli mostrano un'entropia iniziale più alta dovuta all'esplorazione, che poi diminuisce con l'abituazione.

4. Contributi Principali

1. Framework Integrato: Unione di AVATAR-3D (acquisizione 3D ad alta fedeltà) e Keypoint-MoSeq (segmentazione non supervisionata) per una pipeline di analisi comportamentale completa.
2. Nuove Metriche Quantitative: Introduzione di Entropia di Shannon e del Secondo Autovalore ($\text{Eigen}_2$) come metriche complementari per caratterizzare il comportamento come sistema dinamico stocastico, superando le limitazioni delle metriche scalarie tradizionali.
3. Rivelazione di Pattern Nascosti: Dimostrazione che la ketamina non altera solo la frequenza di azioni specifiche, ma riorganizza la struttura di transizione e la persistenza temporale del comportamento, rivelando una rigidità locale all'interno di un repertorio globalmente più disperso.
4. Validazione della Stabilità: Conferma che il comportamento spontaneo dei topi WT segue una struttura temporale prevedibile e che le metriche spettrali possono catturare dinamiche di abituazione e stati patologici/farmacologici.

5. Significato

Questo lavoro rappresenta un passo avanti fondamentale nella neuroscienza comportamentale. Spostando l'attenzione da metriche aggregate (es. "quanto tempo ha camminato") a una quantificazione della struttura dinamica (come gli stati si organizzano, persistono e transiscono), il metodo proposto offre strumenti sensibili per:

• Rilevare sottili alterazioni comportamentali in modelli di malattie psichiatriche (es. schizofrenia, come simulato dalla ketamina).
• Studiare i meccanismi di abituazione e plasticità comportamentale.
• Fornire un linguaggio matematico unificato per descrivere l'organizzazione del comportamento spontaneo, permettendo confronti più robusti tra diversi gruppi sperimentali, genotipi o trattamenti farmacologici.

In sintesi, il paper trasforma l'analisi comportamentale da una descrizione descrittiva di azioni isolate a una modellazione quantitativa di un sistema dinamico complesso.