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

Deze studie valideert een geautomatiseerd machine learning-pipeline, die DeepLabCut en SimBA combineert, voor het nauwkeurig analyseren van olfactorische habituatiedishabituatietaken bij muizen, wat resulteert in vergelijkbare biologische en technische uitkomsten als handmatige annotatie.

De kern

Hoe een slimme computer de neus van een muis helpt te analyseren: Een verhaal over geur, gewoontes en kunstmatige intelligentie

Stel je voor dat je een muis in een kooi hebt. Je wilt weten of deze muis slim is, of dat hij misschien ziek is. Hoe doe je dat? Een van de beste manieren is om te kijken naar zijn neus. Muisjes zijn namelijk heel gevoelig voor geurtjes.

In dit onderzoek hebben wetenschappers een nieuwe manier bedacht om te kijken of muizen geurtjes kunnen onderscheiden, zonder dat een mens urenlang naar een scherm moet staren. Ze hebben een digitale assistent (kunstmatige intelligentie) gebouwd die dit werk voor hen doet.

Hier is hoe het werkt, vertaald in simpele taal:

1. Het probleem: De "vervelende" taak van de mens

Vroeger moesten onderzoekers urenlang naar video's van muizen kijken. Ze moesten precies tellen: "Hoe lang snuffelt de muis aan dit wattenstaafje met geur?"

• De uitdaging: De muizen bewegen snel, hun kopjes draaien weg, en soms wordt hun neusje verstopt door hun eigen lichaam of door de kooi. Het is als proberen een naald te vinden in een hooiberg, terwijl de naald ook nog eens wegrent.
• De oplossing: De onderzoekers wilden een computerprogramma maken dat dit automatisch doet, net zo goed als een mens, maar dan veel sneller en zonder vermoeide ogen.

2. De oplossing: Twee slimme hulpmiddelen

Ze hebben twee bekende "superkrachten" uit de wereld van computers samengevoegd:

• De "Oog" (DeepLabCut): Dit programma is als een zeer oplettende cameraman. Het kijkt naar de video en tekent virtuele stipjes op het lijfje van de muis: neusje, oortjes, staartje, buikje. Zelfs als de muis zich beweegt of als een deel van zijn lijfje even uit beeld is, blijft dit programma de muis volgen. Het is alsof je een onzichtbaar pakje op de muis hebt gedaan dat de computer perfect kan zien.
• De "Denker" (SimBA): Dit programma is de leermeester. Het kijkt naar de stipjes van de "Oog" en leert het verschil tussen "snuffelen" en "niet-snuffelen". Het is als een schoolmeester die duizenden voorbeelden heeft gezien en nu precies weet: "Ah, als de neus dicht bij het wattenstaafje is en beweegt, dan is het snuffelen!"

3. De proef: De geur-test

De muizen kregen een test met drie geurtjes:

1. Water (saai, niets te ruiken).
2. Een bekende muis (een buurman die ze al kennen).
3. Een nieuwe muis (een vreemdeling).

Wat gebeurt er normaal?
Als je een muis een geurtje geeft, snuffelt hij er eerst enthousiast aan. Als je hetzelfde geurtje weer geeft, wordt hij er saai van en stopt hij met snuffelen (dit heet habituation of gewenning). Maar als je een nieuw geurtje geeft, wordt hij weer nieuwsgierig en begint hij weer te snuffelen (dit heet dishabituation of nieuwsgierigheid).

Als een muis dit niet doet, kan dat een teken zijn van een neurologisch probleem (zoals bij ziektes die ook mensen kunnen krijgen).

4. Het resultaat: De computer is net zo goed als de mens

De onderzoekers lieten hun nieuwe computerprogramma de video's analyseren en vergeleken het met de resultaten van menselijke onderzoekers die dezelfde video's handmatig hadden geteld.

• Het verdict: De computer en de mens kwamen bijna exact tot dezelfde conclusies!
• De analogie: Het is alsof je twee detectives hebt die een moordzaak oplossen. De ene detective is een mens met een vergrootglas, de andere is een supercomputer. Ze kijken allebei naar dezelfde bewijsstukken en komen tot hetzelfde verhaal.

Zelfs in de moeilijke situatie, waar de camera alleen van opzij keek en muizen soms hun neus verstopten, werkte het programma perfect.

Waarom is dit belangrijk?

• Snelheid: Wat een mens uren kost, doet de computer in een flits.
• Eerlijkheid: Mensen kunnen moe worden of zich vergissen. Een computer wordt nooit moe en kijkt altijd met dezelfde strenge ogen.
• Toekomst: Met dit systeem kunnen wetenschappers veel meer muizen testen, sneller ontdekken of nieuwe medicijnen werken, en zo sneller helpen bij het vinden van behandelingen voor ziektes zoals Alzheimer of ALS.

Kortom:
De onderzoekers hebben een digitale bril opgezet voor de computer, zodat deze kan zien wat muizen ruiken. Hierdoor hoeven mensen niet meer urenlang naar schermen te staren, en krijgen we sneller en betrouwbaarder antwoorden over de gezondheid van onze kleine viervoeters. Het is een grote stap voorwaarts in de dierwetenschap!

Technische samenvatting

Titel: Automatisering van de analyse van een olfactorische habituatiedishabituatietaken bij muizen met machine learning

1. Het Probleem

Bij preklinisch onderzoek met muizen is gedragsanalyse cruciaal voor het beoordelen van neurologische ziektemodellen. De olfactorische habituatiedishabituatietaken is een standaardtest om te meten of muizen verschillende geuren kunnen onderscheiden (door te meten hoeveel tijd ze snuiven bij herhaalde en nieuwe geuren).

• Huidige beperkingen: De huidige "gouden standaard" is handmatige annotatie van video's, wat tijdrovend, arbeidsintensief en vatbaar voor menselijke fouten is.
• Technische uitdaging: Veel machine learning (ML) tools zijn geoptimaliseerd voor bovenaanzichten (top-view). In deze specifieke test wordt echter vaak een zij-aanzicht (side-view) gebruikt binnen een kooi (home-cage). Dit creëert technische uitdagingen zoals occlusie (lichaamsdelen die elkaar verbergen) en moeilijkheden met dieptewaarde-schatting, vooral omdat de video's vaak in zwart-wit (infrarood) zijn opgenomen.

2. Methodologie

De auteurs hebben een geautomatiseerd analyse-pipeline ontwikkeld en gevalideerd die twee gevestigde ML-tools combineert: DeepLabCut (DLC) voor positie-schatting (pose estimation) en SimBA voor gedragsclassificatie.

• Data: De pipeline werd getraind en getest op bestaande, handmatig geannoteerde datasets van twee genetische muismodellen (C9orf72GR400/+ en TardbpQ331K/Q331K) die aspecten van ALS/FTD modelleren. De data omvatte muizen van 15 en 67 weken oud.
• Video-voorverwerking: Video's werden bijgesneden tot het gebied van belang (de voerbak waar de geurstaafjes worden gepresenteerd) om de verwerkingssnelheid te verhogen.
• Stap 1: Positie-schatting (DeepLabCut):
  • Er werden 2069 frames handmatig gelabeld met 10 lichaamsdelen van de muis (snuit, oren, nek, staartbasis, buik) en 4 referentiepunten in de omgeving (hoeken van de bak, punt van het katoenstaafje).
  • Het model werd getraind met een ResNet-101 architectuur tot een testfout van 2,42 pixels (ca. 1,1 mm) werd bereikt.
• Stap 2: Gedragsclassificatie (SimBA):
  • De output van DLC werd ingevoerd in SimBA.
  • Er werden twee klassen gedefinieerd: "snuffelen" (sniffs) en "niet-snuffelen" (does not sniff).
  • De training gebruikte handmatige scores als "ground truth".
  • Kenmerken (features) zoals hoeken, snelheden en afstanden binnen en tussen lichaamsdelen werden berekend.
  • Het model gebruikte een Random Forest-algoritme (2000 estimators) met een train/test-split van 80/20.
• Validatie: Het getrainde model werd toegepast op ongezette video's en vergeleken met handmatige scores en statistische modellen (lineaire mixed-effects modellen) om biologische en technische uitkomsten te vergelijken.

3. Belangrijkste Bijdragen

• Ontwikkeling van een zij-aanzicht-pipeline: Het succesvol toepassen van pose-estimation en gedragsclassificatie op zij-aanzicht video's met occlusie, wat eerder een uitdaging was voor geautomatiseerde systemen.
• Integratie van DLC en SimBA: Een robuust workflow dat pose-estimation koppelt aan een interpreteerbare gedragsclassificator specifiek voor geurinteractie.
• Toegankelijkheid: De pipeline kan draaien op een standaard desktopcomputer (met een Nvidia RTX4090 GPU), waardoor het toegankelijk is voor laboratoria zonder toegang tot high-performance clusters.
• Open Data: Alle scripts (Python/R), genotyperingscodes en data zijn beschikbaar via GitHub, wat reproduceerbaarheid bevordert.

4. Resultaten

• Hoge correlatie: Er was een sterke en significante positieve correlatie tussen handmatige scores en de ML-output voor de tijd die aan snuffelen werd besteed (Pearson r varieerde van 0,87 tot 0,93 over de verschillende groepen en leeftijden).
• Vergelijkbaarheid met handmatige annotatie: De correlatie tussen de ML-pipeline en handmatige scores was vergelijkbaar met de correlatie tussen twee verschillende menselijke beoordelaars.
• Biologische validiteit: De ML-data leverde dezelfde biologische conclusies op als handmatige data:
  • Er werden significante effecten van genotypen, geslacht en geurtype (habituation en dishabituation) gedetecteerd.
  • Hoewel er kleine verschillen waren in de filtratie van data (bijv. bij de Tardbp-studie op 67 weken) en enkele post-hoc verschillen in specifieke habituatiedetectie, veranderde dit de algemene biologische uitkomsten niet.
• Technische prestaties: Het model bereikte een precisie van 0,92 en een recall van 0,86 voor de "snuffelen"-klasse, en een zeer hoge nauwkeurigheid (F1-score 0,98) voor de "niet-snuffelen"-klasse.

5. Betekenis en Toekomstperspectief

• Efficiëntie en Schaalbaarheid: Deze pipeline verhoogt de doorvoer van gedragsanalyse aanzienlijk en vermindert de menselijke inspanning, wat essentieel is voor longitudinale studies en grootschalige screening.
• Welzijn: Het gebruik van zij-aanzicht video's is compatibel met hoog-welzijn huisvesting (groepshuisvesting in IVC-kooien), waardoor gedrag in de natuurlijke omgeving van de muis kan worden bestudeerd zonder stress door handeling.
• Beperkingen en Aanbevelingen: De auteurs waarschuwen dat de pipeline gevoelig is voor technische consistentie (camera-hoek, positie van de geurstaaf). Retraining en validatie zijn noodzakelijk bij toepassing op nieuwe datasets of andere setups.
• Toekomst: Verdere verbeteringen kunnen gericht zijn op het onderscheiden van specifieke interacties (snuffelen vs. likken/bijten) en het uitbreiden naar andere gedragsvormen in de thuisomgeving.

Conclusie: Het artikel demonstreert dat machine learning, specifiek een combinatie van DeepLabCut en SimBA, een betrouwbare, nauwkeurige en reproduceerbare methode biedt om complexe sensorische taken bij muizen te automatiseren, zelfs onder uitdagende videobedingingen (zij-aanzicht, occlusie). Dit vormt een belangrijke stap voorwaarts voor de kwaliteit en snelheid van preklinisch neurologisch onderzoek.