Autobehaver: An AI-Based Pipeline for Animal Behavior Analysis

Autobehaver は、低コストの記録プラットフォームと深層学習および機械学習技術を組み合わせて複雑なショウジョウバエの行動を定量的に分析・分類し、神経的、加齢関連、および中間的な表現型変化を成功裏に同定する、解釈可能な AI 駆動型パイプラインである。

要約

複雑な物語を理解しようとする際、舞台上のたった一人の小さな役者を眺めることを想像してみてください。生物学の世界において、その役者はショウジョウバエ（Drosophila）であり、物語はそれらの行動です。科学者たちは、ハエの行動が脳、遺伝子、そして周囲の環境の組み合わせであることを知っていますが、それらを十分に詳しく観察して微小な差異を見極めることは、目隠しをしたまま干し草の山から針を見つけるようなものです。

そこで登場するのが、この問題を解決するために設計された新しい「スマートカメラシステム」、Autobehaver です。これは、決して瞬きをしない、超絶に観察眼に優れ、疲れを知らない探偵のようなものです。

Autobehaver がどのように機能するかを、簡単なステップに分解して説明します。

1. セットアップ: 高価でハイテクな実験室の代わりに、チームは個々のハエを撮影する低コストの撮影装置を構築しました。これは、小さな部屋にセキュリティカメラを設置して、一度に一匹のハエを観察するようなものです。
2. 「スケルトン」トラッカー: 動画が記録されると、Autobehaver はハエ全体を眺めるだけでなく、動画の上にデジタルの「スケルトン」を描画します。これは、すべてのフレームにおいてハエの関節（キーポイント）の正確な位置を追跡し、ぼやけた動画を精密なデータポイントに変換します。
3. AI の脳（トランスフォーマー）: ここで魔法が起きます。システムは、高度な言語ツールの背後にあるのと同じ種類の技術である「トランスフォーマー」と呼ばれる特殊な AI を使用して、このスケルトンを観察します。これは振付師のように機能し、歩行、グルーミング、方向転換など、ハエが瞬時瞬時に行っていることを正確にラベル付けし、どの方向を向いているかも記録します。
4. スコアカード（特徴ベクトル）: 次に、AI はその瞬時のラベルすべてを、各ハエのための巨大な「スコアカード」に変換します。このスコアカードは、ハエの全体的な性格と動きのスタイルを記述する、長い数字のリストです。
5. 審判（XGBoost）: 次に、システムは「XGBoost アンサンブル」と呼ばれる強力な統計ツール（専門家による審判団と想像してください）を使用して、これらのスコアカードを読み取ります。審判団はハエ同士を比較して、どれが異なるかを確認し、決定的に、なぜそれらが異なるのかを突き止めます。
6. 「なぜ」の理由（SHAP 分析）: 審判団が単に推測しているわけではないことを確認するために、システムは SHAP 分析と呼ばれる手法を使用します。これは、審判団にその理由を説明させるようなものです。これは、グループを区別するための最も重要な手がかりとなる行動（「どれほど速く登るか」や「どれほど頻繁に停止するか」など）を、具体的に浮き彫りにします。

彼らはこのツールで何を証明しましたか？

チームは Autobehaver を 3 つの特定の方法でテストし、見事に合格しました。

• 「リモコン」テスト: 彼らは、dTrpA1 というツールを使用して、ハエの脳の特定の部分にある熱活性化スイッチを作動させました。Autobehaver は即座に、このスイッチによって引き起こされた既知の行動変化を検出し、特定の神経回路の活動を検出できることを証明しました。
• 「老化」テスト: 彼らはハエが年を取るにつれて観察しました。システムは、ハエが老化するにつれて自然に起こる、徐々に遅くなる動きと登る能力の低下を正確に特定しました。
• 「中間」テスト: 最後に、彼らは「若年」や「老年」のカテゴリーに明確には当てはまらないハエを観察しました。Autobehaver はこれらの「中間」のハエを滑らかなスケール上に配置し、「推論」ツールを使用して、彼らが遷移状態にあると感じさせる、どの微妙な行動が原因かを正確に明らかにしました。

結論

Autobehaver は単なるビデオレコーダーではありません。それは解釈可能なフレームワークです。これは、ハエが異なって行動しているという事実を科学者に伝えるだけでなく、それらの差異を定義する具体的な動きを指摘することで、どのように、そしてなぜそうなるのかを説明します。それは、ハエの行動という混沌とした複雑な世界を、明確で比較可能なデータに変換し、科学者たちが遺伝子と脳が、一歩一歩、私たちが誰であるかをどのように形作っているかを理解することを可能にします。

技術概要

技術的概要：Autobehaver

問題提起
行動は、神経系、遺伝、環境の複雑な相互作用から生じる。生物学的機能や遺伝的攪乱の影響を理解する上で、高解像度かつ高スループットな行動の定量化は不可欠であるが、そのようなデータの自動分析は依然として重大な課題である。既存の手法は、これらの複雑な関係を効果的に解明するために必要な解像度とスループットを提供することにしばしば苦労している。

手法
著者らは、個体のショウジョウバエの行動を定量的に分析するための自動化パイプライン「Autobehaver」を提示する。このシステムは、多段階の計算ワークフローを通じて動作する。

1. データ取得：パイプラインは、個体のハエの動画を撮影するための低コストかつ高スループットな記録プラットフォームを利用する。
2. キーポイント抽出とラベリング：動画データからシステムはキーポイントを抽出する。その後、カスタム Transformer 構造を用いて、これらのキーポイントにフレーム単位の行動と向きに関するラベルを割り当てる。
3. 特徴ベクトル構築：フレーム単位の予測を集約し、個体ごとの高次元特徴ベクトルに変換する。
4. 分類と特徴選択：これらのベクトルを用いて XGBoost アンサンブルを訓練し、個体を分類するとともに、群間を区別する特定の特徴を同定する。
5. 解釈可能性：モデルの決定を透明にするため、著者らは分類器アンサンブルに対して SHAP（SHapley Additive exPlanations）分析を適用する。このステップにより、異なるハエの群を区別する上で最も情報量の多い行動特徴を特定する。

主要な結果
著者らは、Autobehaver パイプラインを 3 つの異なる応用を通じて検証した。

• 神経回路の活性化：このシステムは、特定の神経回路における熱活性化型 dTrpA1 の活性に伴う既知の行動変化を回復させ、急性遺伝操作に対する感度を実証した。
• 老化表現型：パイプラインは、運動能力や登攀能力の漸進的な低下と整合する年齢関連の行動変化を検出し、自然な生理的低下の研究における有用性を検証した。
• 中間表現型：著者らは分類器アンサンブルを用いて、中間表現型を持つ個体を行動軸上に位置づけた。特徴重要度分析を通じて、それらの中間状態の基盤となる特定の行動特徴を明らかにし、複雑な遺伝子型を微妙に特徴づけることを可能にした。

意義と主張
本論文は、Autobehaver を単なる検出ツールではなく、定量的行動表現型解析のための解釈可能なフレームワークとして位置づけている。高スループット動画解析と機械学習、そして説明可能な AI 技術（SHAP）を組み合わせることで、このシステムは複雑な遺伝子型の比較分析を可能にする。著者らは、このアプローチが群間差を駆動する特定の行動特徴の同定を促進し、不透明な「ブラックボックス」モデルに依存することなく行動の生物学的基盤を解明するための堅牢な手法を提供すると主張している。