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

Questo studio presenta e convalida una pipeline automatizzata basata sull'apprendimento automatico, che combina DeepLabCut e SimBA, per analizzare con alta accuratezza il compito di abitudine-dishabituation olfattiva nei topi, ottenendo risultati biologici e tecnici comparabili ai metodi manuali.

L'essenziale

Immagina di dover guardare un video di un topo che annusa dei bastoncini di cotone con diversi odori, e di dover cronometrare esattamente ogni secondo in cui il topo lecca o annusa quel bastoncino. Ora, immagina di dover fare questo per centinaia di video, giorno e notte. Sarebbe come cercare di contare i grani di sabbia su una spiaggia con le mani: noioso, lento e soggetto a errori umani.

Questo è esattamente il problema che gli scienziati volevano risolvere con questo studio. Hanno creato un "braccio robotico digitale" (un'intelligenza artificiale) capace di guardare questi video e contare i secondi in cui il topo annusa, con la stessa precisione di un umano, ma senza mai stancarsi.

Ecco come funziona, spiegato con parole semplici:

1. Il Problema: La "Fatica da Video"

Gli scienziati studiano i topi per capire come funzionano malattie come l'Alzheimer o problemi neurologici. Un modo per vedere se un topo "pensa" o "ricorda" è il test dell'abitudine.

• Come funziona: Dai al topo un odore familiare (come il suo stesso odore). All'inizio lo annusa molto. Poi, glielo ripeti. Il topo si annoia e smette di annusarlo (si "abitudina"). Infine, gli dai un odore nuovo. Il topo si ri-sorprende e ricomincia ad annusare con entusiasmo (si "disabitudina").
• Il problema: Per misurare questo, un umano deve guardare ore di video, fermando il filmato ogni volta che il naso del topo si avvicina all'odore. È un lavoro da manuale, lento e noioso. Inoltre, spesso i video sono girati di lato (non dall'alto), quindi il topo si nasconde dietro oggetti o parti del corpo, rendendo difficile vedere cosa sta facendo.

2. La Soluzione: Due "Super-Occhi" Digitali

Gli autori hanno unito due potenti strumenti di intelligenza artificiale per creare un sistema automatico:

• DeepLabCut (L'Osservatore): Immagina questo come un occhio super-attento che guarda il video e disegna una "mappa" invisibile sul corpo del topo. Segna il naso, le orecchie, la schiena, la coda, ecc. Anche se il topo è di lato e si nasconde parzialmente, questo occhio digitale impara a indovinare dove sono le parti nascoste, proprio come un mago che indovina cosa c'è dietro un cartone.
• SimBA (Il Giudice): Una volta che l'occhio ha tracciato il movimento, entra in gioco il Giudice. Questo programma impara a distinguere tra "il topo sta solo camminando" e "il topo sta annusando attivamente". È come un allenatore sportivo che guarda un filmato e dice: "Quel movimento è un tiro al goal, non un passo laterale".

3. L'Addestramento: Imparare dai Maestri

Per insegnare a queste macchine, gli scienziati hanno usato un metodo intelligente:

1. Hanno preso dei video che un umano aveva già guardato e cronometrato manualmente (i "maestri").
2. Hanno mostrato questi video all'IA, dicendole: "Guarda, qui il topo annusa, qui no".
3. L'IA ha fatto pratica milioni di volte, correggendo i suoi errori finché non è diventata bravissima a imitare l'umano.

4. Il Risultato: La Magia della Precisione

Quando hanno fatto provare il loro sistema a nuovi video che l'IA non aveva mai visto, il risultato è stato incredibile:

• Corrispondenza perfetta: I tempi misurati dall'IA erano quasi identici a quelli misurati dagli umani (una correlazione del 90%!).
• Stesse conclusioni: Le scoperte scientifiche fatte con l'IA erano le stesse di quelle fatte dagli umani. Se un topo malato annusava meno, l'IA lo ha notato esattamente come un umano.
• Vantaggi: Il sistema funziona anche con video girati di lato (dove il topo si nasconde) e su un normale computer da scrivania, senza bisogno di supercomputer costosi.

In Sintesi

Pensa a questo studio come alla creazione di un assistente virtuale per i ricercatori. Invece di costringere gli scienziati a passare notti insonni a guardare video di topi, ora possono affidare il compito a un "robot digitale" che lavora velocemente, non si stanca mai e non sbaglia.

Questo significa che gli scienziati possono studiare più topi, più velocemente e con più precisione, accelerando la ricerca per trovare cure per malattie che colpiscono anche noi umani. È come passare dal contare i grani di sabbia a mano all'usare un satellite per mappare l'intera spiaggia in un secondo.

Sommario tecnico

Titolo

Automazione dell'analisi di un compito di abitudine-dishabituation olfattiva nei topi tramite machine learning.

1. Il Problema

L'analisi comportamentale è fondamentale per la valutazione dei modelli preclinici di malattie neurologiche nei topi. Tuttavia, l'annotazione manuale dei dati comportamentali è un processo laborioso, a basso rendimento e soggetto a variabilità inter-osservatore.
In particolare, il compito di abitudine-dishabituation olfattiva (usato per testare la capacità del topo di distinguere diversi odori) presenta sfide tecniche specifiche:

• Prospettiva laterale: A differenza dei task standard tracciati dall'alto, questo compito richiede spesso una telecamera laterale per osservare l'interazione con gli stimoli odorosi.
• Occlusione: La vista laterale causa l'occlusione di parti del corpo dell'animale e difficoltà nella stima della profondità.
• Condizioni di acquisizione: I video sono spesso in bianco e nero (infrarossi) e registrati in gabbie domestiche, con rumore di fondo e complessità ambientale.
• Bisogno di automazione: È necessario un metodo automatizzato che mantenga alta accuratezza pur gestendo queste complessità visive, per aumentare il rendimento (throughput) e il valore scientifico della ricerca.

2. Metodologia

Gli autori hanno sviluppato e validato una pipeline automatizzata combinando due strumenti di machine learning (ML) consolidati: DeepLabCut (DLC) per la stima della posa e SimBA (Simple Behavioural Analysis) per la classificazione comportamentale.

• Dati e Soggetti:

  • Utilizzo di dataset pubblicati precedentemente (Boyanova et al., 2025) contenenti video di topi (WT e modelli genetici per ALS/FTD: C9orf72GR400/+ e TardbpQ331K/Q331K) testati a 15 e 67 settimane di età.
  • Il compito prevedeva l'esposizione a tre odori: acqua (controllo), odore sociale familiare e odore sociale nuovo.
  • I video sono stati registrati tramite telecamere a infrarossi in gabbie domestiche (Home Cage Analysis).

• Pipeline di Analisi:

  1. Preprocessing: I video sono stati ritagliati sulla zona di interesse (vicino al contenitore del cibo dove viene presentato l'odore) per ridurre la complessità.
  2. Stima della Posa (DeepLabCut):
     • Addestramento su 60 video (2069 frame etichettati manualmente).
     • Etichettatura di 10 punti corporei del topo (muso, occhi, orecchie, collo, schiena, coda, addome) e 4 punti di riferimento ambientali (angoli del contenitore, punta del cotton fioc, pavimento).
     • Utilizzo di una rete neurale ResNet-101 con aumento dei dati (imgaug).
     • Obiettivo: raggiungere un errore medio assoluto (test error) di 2,42 pixel.
  3. Classificazione Comportamentale (SimBA):
     • Utilizzo dei dati di posa di DLC come input.
     • Definizione di Regioni di Interesse (ROI) per il contenitore e il cotton fioc.
     • Addestramento di classificatori Random Forest (2000 stimatori) su due classi: "annusa" (sniffs) e "non annusa" (does not sniff).
     • I dati di addestramento sono stati derivati dall'annotazione manuale (ground truth).
     • Soglia di confidenza ottimizzata: 0,5 con una durata minima del comportamento di 200 ms.

• Validazione:

  • I modelli addestrati sono stati testati su video "inediti" (non visti durante l'addestramento).
  • Confronto statistico tra i tempi di annusatura calcolati manualmente e quelli calcolati dal ML utilizzando modelli lineari misti (LMM) e modelli lineari generalizzati misti (GLMM) in R.

3. Contributi Chiave

• Pipeline Integrata: Creazione di un flusso di lavoro end-to-end che combina pose estimation e classificazione comportamentale per un task specifico con vista laterale.
• Gestione dell'Occlusione: Dimostrazione che è possibile ottenere un'accurata quantificazione comportamentale anche con una singola telecamera laterale che causa occlusioni, un problema spesso considerato un limite per il tracking 2D.
• Accessibilità: La pipeline è stata eseguita su un singolo computer desktop (GPU Nvidia RTX4090), rendendola accessibile a laboratori senza cluster di calcolo ad alte prestazioni.
• Riproducibilità: Tutti i codici (Python, R), gli script di genotipizzazione e i dati primari sono stati resi disponibili su GitHub.

4. Risultati

• Correlazione: È stata osservata una forte correlazione positiva tra i tempi di annusatura stimati manualmente e quelli del ML:
  • Studio C9orf72: r = 0,90 (15 settimane) e r = 0,87 (67 settimane).
  • Studio Tardbp: r = 0,93 (15 settimane) e r = 0,88 (67 settimane).
  • La correlazione ML-Manuale è paragonabile alla correlazione tra due annotatori umani diversi.
• Confronto Statistico e Biologico:
  • L'analisi dei dati filtrati (rimozione dei topi che non interagivano sufficientemente) ha mostrato che la fonte dei dati (manuale vs ML) non ha influenzato significativamente i risultati biologici o tecnici principali.
  • Entrambi i metodi hanno rilevato con successo i pattern di abitudine (riduzione dell'interazione con odori ripetuti) e dishabituation (aumento dell'interazione con nuovi odori).
  • Non sono state trovate differenze significative nell'effetto del genotipo o delle interazioni tra genotipo e presentazione dell'odore tra i due metodi.
• Discrepanze Minime: Sono state osservate alcune piccole discrepanze nelle analisi post-hoc (es. rilevamento di abitudine all'acqua o a odori familiari in specifici sottogruppi), ma queste non hanno alterato le conclusioni biologiche complessive dello studio.

5. Significato e Implicazioni

• Efficienza e Scalabilità: La pipeline permette di automatizzare l'analisi di compiti olfattivi complessi, aumentando drasticamente il throughput di dati e riducendo il carico di lavoro manuale.
• Validità Scientifica: Conferma che i dati estratti automaticamente sono biologicamente equivalenti a quelli manuali, permettendo l'uso di questi metodi per studi longitudinali su larga scala.
• Flessibilità Ambientale: Il metodo è compatibile con l'allevamento in gabbie domestiche (Home Cage) in condizioni di alto benessere (gruppi di animali), facilitando la raccolta di dati comportamentali a lungo termine in condizioni ecologicamente valide.
• Limiti e Futuro: Il sistema utilizza una proiezione 2D su dati 3D, il che può essere limitante per altri task. Tuttavia, apre la strada a futuri miglioramenti, come la distinzione più fine tra tipi di interazione (es. annusare vs leccare/mordere) e l'applicazione ad altri comportamenti in gabbia domestica.

In sintesi, questo lavoro dimostra che l'uso combinato di DeepLabCut e SimBA può superare le sfide tecniche delle riprese laterali in gabbia domestica, fornendo uno strumento robusto, accurato e accessibile per la ricerca neuroscientifica preclinica.