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

Dit artikel introduceert een hoogdoorvoersframework dat 3D-pose-schatting en Hidden Markov-modellen combineert om spontaan dierlijk gedrag te vertalen naar discrete 'syllables', waarbij Shannon-entropie en de tweede grootste eigenwaarde worden gebruikt om de structurele organisatie en temporele persistentie van dit gedrag als een stochastisch dynamisch systeem te kwantificeren.

De kern

Stel je voor dat je een muizentrapje bekijkt. Traditioneel kijken onderzoekers naar de muizen alsof ze een snelheidsmeter en een stappenteller hebben. Ze meten: "Hoe hard loopt hij?" of "Hoe ver is hij gekomen?". Maar dit vertelt je niets over hoe de muis beweegt, of welke patronen hij volgt, of of hij net als een danser een choreografie heeft of als een robot die willekeurig rondtast.

Deze paper introduceert een nieuwe manier om naar muizengedrag te kijken. Het is alsof we de muizen niet meer alleen tellen, maar hun gedrag vertalen naar een taal en vervolgens analyseren als een muziekstuk.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. De Camera's en de "3D-Dans" (AVATAR-3D)

Stel je een kleine arena voor met muisjes die erin rondlopen. In plaats van één camera, hebben de onderzoekers er vijf om het muisje van alle kanten te filmen.

• De analogie: Het is alsof je een danser in een kamer hebt staan en je hebt vijf cameramannequins die hem van alle hoeken filmen.
• Het resultaat: De computer bouwt een perfecte 3D-animatie van het muisje op, alsof het een poppetje is van stokken en gewrichten. Zelfs als het muisje zijn staart verbergt, zien de camera's het toch.

2. Van Beweging naar Woorden (Keypoint-MoSeq)

Nu hebben we duizenden beelden per seconde. Dat is te veel om te begrijpen. De onderzoekers gebruiken een slimme computer (AI) om deze continue beweging op te splitsen in kleine, herhaalde stukjes.

• De analogie: Denk aan een lange film. De computer knipt de film niet in scènes, maar in woorden. Een "draai" is een woord, een "snuffelen" is een ander woord. Deze woorden noemen ze "syllables" (lettergrepen).
• Het doel: In plaats van te zeggen "de muis liep 10 meter", zeggen we nu: "de muis sprak de zin: draai-draai-snuffel-stil-zitten". De computer leert deze woorden zelf aan, zonder dat de mensen van tevoren zeggen wat ze moeten zoeken.

3. De Twee Nieuwe Maatstaven: Entropie en Eigenwaarden

Dit is het hart van de paper. Nu ze de "woorden" hebben, willen ze weten hoe de "zin" is opgebouwd. Ze gebruiken twee wiskundige hulpmiddelen:

A. Entropie (De "Kaos-meter")

• Wat is het? Dit meet hoe willekeurig of geordend het gedrag is.
• De analogie:
  • Lage Entropie: De muis zegt steeds dezelfde zin: "eten-eten-eten". Het is voorspelbaar en saai.
  • Hoge Entropie: De muis zegt een heel willekeurige zin: "spring-draai-stil-zitten-rennen". Het is een chaos van verschillende bewegingen.
  • In de paper: Normaal gesproken worden muisjes in een nieuwe kamer eerst heel willekeurig (hoge entropie), maar na een tijdje wennen ze en worden ze voorspelbaarder (lage entropie).

B. De Tweede Grootste Eigenwaarde (De "Kleef-meter")

• Wat is het? Dit meet hoe lang de muis vasthoudt aan een bepaald gedrag voordat hij overschakelt.
• De analogie: Stel je voor dat de muis op een ijsbaan staat.
  • Hoge waarde (dicht bij 1): De muis glijdt langzaam en blijft lang op dezelfde plek hangen. Hij "plakt" aan zijn huidige beweging.
  • Lage waarde: De muis schuift constant van plek naar plek. Hij wisselt heel snel van gedrag.
  • In de paper: Dit vertelt ons hoe "vast" de patronen van de muis zijn.

4. Het Experiment met Drugs (Ketamine vs. Zoutwater)

De onderzoekers gaven sommige muizen een drug (Ketamine) en andere alleen zoutwater (de controle). Ze keken of hun "taal" veranderde.

• Wat zagen ze?
  • De Ketamine-muizen hadden een hogere Entropie. Hun "taal" was chaotischer; ze gebruikten meer verschillende "woorden" dan normaal. Ze waren minder voorspelbaar in hun algemene gedrag.
  • Maar hier is de verrassing: Als je kijkt naar de specifieke "woorden" die ze wel vaak gebruikten (zoals draaien en ronddraaien), waren die heel voorspelbaar. Ze bleven vastzitten in die specifieke patronen.
  • De conclusie: De drug maakte het gedrag van de muis in het algemeen chaotischer, maar binnen de specifieke bewegingen die ze maakten, waren ze juist heel stijf en repetitief. Het is alsof iemand die dronken is: hij loopt overal heen (chaos), maar als hij begint te dansen, doet hij steeds exact dezelfde rare beweging (stijfheid).

Samenvatting

Deze paper zegt eigenlijk: "Stop met tellen hoe ver muizen lopen. Kijk naar hun taal."

Door hun bewegingen om te zetten in een reeks van "woorden" en te kijken hoe die woorden met elkaar verbonden zijn, kunnen we zien of een muis:

1. Willekeurig rondloopt of een patroon heeft.
2. Snel van gedrag verandert of vastzit in patronen.
3. Hoe een drug (zoals Ketamine) de "grammatica" van hun gedrag verandert.

Het is een nieuwe manier om te begrijpen hoe de hersenen van een dier werken, niet door te kijken naar de snelheid, maar door te luisteren naar de muziek van hun bewegingen.

Technische samenvatting

Probleemstelling

Traditionele open-veld assays (testen om spontaan dierlijk gedrag te meten) vertrouwen doorgaans op laag-dimensionale, scalair meetbare waarden, zoals gemiddelde snelheid, totale afgelegde afstand of de tijd die een dier in het centrum van de arena doorbrengt. Hoewel deze metrieken inzicht geven in locomotie en voorkeuren, negeren ze de rijke, temporale complexiteit en de dynamische aard van spontaan gedrag. Er ontbreekt een methode om gedrag te analyseren als een samenhangend, tijdsafhankelijk systeem in plaats van als een verzameling geïsoleerde acties.

Methodologie

De auteurs introduceren een hoog-throughput raamwerk dat machine learning en informatietheorie combineert om gedrag te transformeren van continue videodata naar discrete, dynamische systemen. De aanpak omvat de volgende stappen:

1. Data-acquisitie (AVATAR-3D):

   • In plaats van de gebruikelijke 2D-camera's (zoals bij DeepLabCut), gebruiken de auteurs het AVATAR-3D systeem. Dit bestaat uit een 20x20 cm arena met 5 synchroon lopende camera's (30 fps) die alle zijden van een kubus bedekken (behalve de bovenkant).
   • Dit zorgt voor markerloze 3D-pose-schatting van 9 anatomische landmarks (neus, nek, lichaam, ledematen, anus, staartpunt). De staartpunt werd later verwijderd vanwege ruis.
   • Het systeem lost het probleem van occlusie (verduistering) op door triangulatie van 2D-detecties, wat leidt tot nauwkeurige 3D-coördinaten.

2. Segmentatie en Modellering (Keypoint-MoSeq):

   • De 3D-coördinaten worden verwerkt via Keypoint-MoSeq (KPMS), een onbewaakt (unsupervised) autoregressief Hidden Markov Model (AR-HMM).
   • Voorverwerking: Principal Component Analysis (PCA) wordt toegepast om de hoge-dimensionaliteit van de pose-data te reduceren (maximaal 10 componenten of die welke 90% van de variantie verklaren).
   • Syllables: Het model segmenteert de continue beweging in discrete, terugkerende eenheden die "syllables" worden genoemd. Dit gebeurt bottom-up, zonder vooraf gedefinieerde labels.
   • Het model wordt getraind in twee fasen: eerst een "AR-only" fase (200 iteraties) voor initialisatie, gevolgd door volledige training (500 iteraties) met autoregressieve en niet-autoregressieve componenten.

3. Quantificering via Entropie en Spectrale Metrieken:

   • Uit de sequentie van syllables wordt een overgangswaarschijnlijkheidsmatrix $P$ ($N+1 \times N+1$) afgeleid, waarbij $N$ het aantal syllables is.
   • Shannon Entropie ($H$):
     • Globale Entropie: Gemeten op basis van de stationaire verdeling van syllabe-occupatie. Het geeft aan hoe verspreid het gedrag is over de beschikbare toestanden.
     • Lokale Entropie ($H_i$): Gemeten per syllabe op basis van de uitgaande overgangsdistributie. Het meet hoe voorspelbaar of gestructureerd de volgende stap is vanuit een specifieke staat.
   • Spectrale Analyse (Eigen₂):
     • De tweede grootste eigenwaarde (in grootte) van de overgangsmatrix wordt berekend.
     • Waarden dicht bij 1 duiden op trage menging en hoge temporele persistentie (gedrag blijft lang in dezelfde toestand of cyclus).
     • Lagere waarden duiden op snelle menging en minder temporele afhankelijkheid.

Belangrijkste Bijdragen

• Integratie van 3D-Pose en HMM: Een robuust pipeline die AVATAR-3D koppelt aan Keypoint-MoSeq voor een nauwkeurige, occlusie-resistente analyse van 3D-gedrag.
• Nieuwe Metrieken voor Gedragsstructuur: De introductie van Shannon-entropie en de tweede eigenwaarde als complementaire maatstaven om gedrag te karakteriseren als een stochastisch dynamisch systeem. Dit verschuift de focus van "hoe vaak" een gedrag optreedt naar "hoe georganiseerd" en "hoe persistent" het gedragssysteem is.
• Onafhankelijkheid van Subjectieve Labels: De methode identificeert patronen puur data-gedreven, zonder dat onderzoekers vooraf moeten definiëren wat een "gedrag" is.

Resultaten

1. Karakterisering van Wild-type Muizen (C57BL/6J):

• Gestructureerd Repertoire: Syllables vormen duidelijke clusters in de latent space (PCA), wat aantoont dat spontaan gedrag niet willekeurig is, maar bestaat uit herkenbare, gestructureerde toestanden.
• Niet-uniforme Distributie: De frequentie van syllables is sterk niet-uniform; sommige syllables komen veel vaker voor dan anderen.
• Habituatie: Bij analyse van 30 minuten opnames in 10 segmenten werd een duidelijke trend waargenomen:
  • De globale entropie nam af (gedrag werd minder verspreid).
  • De Eigen₂ nam toe (gedrag werd meer persistent/stabiel).
  • Dit bevestigt het fenomeen van habituatie: naarmate de muis de omgeving leert kennen, wordt het gedrag minder variabel en meer voorspelbaar.

2. Farmacologische Validatie (Ketamine vs. Zoutoplossing):

• Experiment: Muizen kregen 30 mg/kg ketamine (een model voor schizofrenie/NMDA-receptor hypofunctie) of zoutoplossing.
• Globale Verschuiving: Ketamine-gedoteerde dieren vertoonden een hogere globale entropie, wat betekent dat hun gedrag verspreid was over een breder scala aan syllables (minder geconcentreerd in een paar toestanden).
• Lokale Inversie: Er was een opmerkelijke "inversie" in lokale entropie:
  • Syllables die door ketamine werden bevorderd (bijv. draaien, pirouetteren) hadden een lagere lokale entropie (hoger voorspelbaar, gestructureerd).
  • Syllables die door zoutoplossing werden bevorderd (bijv. onderzoekend gedrag, rust) hadden een hogere lokale entropie onder ketamine-invloed.
• Interpretatie: Ketamine reorganiseert het gedrag op twee niveaus: het vergroot de globale diversiteit (meer verschillende bewegingen), maar verhoogt tegelijkertijd de rigiditeit en voorspelbaarheid binnen de specifieke, door het medicijn gestimuleerde bewegingspatronen (stereotypie).

Betekenis en Conclusie

Dit onderzoek biedt een fundamentele verschuiving in hoe gedrag wordt gekwantificeerd. Door gedrag te modelleren als een stochastisch dynamisch systeem en gebruik te maken van entropie en spectrale metrieken, kunnen onderzoekers:

1. Subtiele veranderingen detecteren die door traditionele scalar-metrieken (zoals totale afstand) onopgemerkt blijven.
2. Mechanismen van gedragsstabiliteit begrijpen, zoals habituatie en farmacologische effecten, op zowel macro- (globale verspreiding) als micro-niveau (lokale overgangsstabiliteit).
3. Nieuwe biomerkers ontwikkelen voor psychiatrische aandoeningen (zoals schizofrenie), waarbij de dissociatie tussen globale verspreiding en lokale rigiditeit een specifiek signaal lijkt te zijn van NMDA-receptor disfunctionering.

De methode is schaalbaar, objectief en biedt een dieper inzicht in de temporale organisatie van spontaan gedrag dan ooit tevoren mogelijk was.