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

Este estudo apresenta e valida um pipeline automatizado de aprendizado de máquina, combinando DeepLabCut e SimBA, para analisar com alta precisão o comportamento de olfação em camundongos, oferecendo uma alternativa eficiente e confiável à anotação manual em tarefas de habituação-dishabituação olfativa.

O essencial

Imagine que você é um cientista tentando entender como o cérebro de um rato funciona. Para isso, você precisa observar o que ele faz quando cheira coisas diferentes. Mas aqui está o problema: observar um rato cheirando coisas por horas, vídeo após vídeo, e anotando manualmente cada vez que ele cheira, é como tentar contar quantas gotas de chuva caem em um telhado usando uma régua. É chato, demorado e você pode se cansar ou cometer erros.

Este artigo apresenta uma solução inteligente: um "robô" de inteligência artificial que aprende a observar os ratos no lugar dos humanos.

Aqui está a explicação passo a passo, usando analogias simples:

1. O Problema: O "Detetive Cansado"

Os cientistas queriam testar a memória olfativa de ratos (se eles lembram de cheiros familiares ou se se interessam por cheiros novos). Eles faziam isso colocando um cotonete com cheiro perto do rato e cronometrando quanto tempo o rato ficava cheirando.

• O jeito antigo: Um humano ficava olhando a tela do computador, apertando um botão cada vez que o rato cheirava. Se o rato se escondesse atrás de um objeto ou se o vídeo fosse de um ângulo estranho (de lado), o humano podia perder o movimento ou se confundir.
• O desafio: Os vídeos eram gravados de lado (como se você estivesse assistindo ao rato de perfil), o que faz com que partes do corpo do rato ficassem escondidas (ocultas). É como tentar adivinhar o que uma pessoa está fazendo se você só vê metade do rosto dela.

2. A Solução: O "Duplo de Elite" (DeepLabCut + SimBA)

Os autores criaram um sistema de duas partes que trabalha junto, como um time de detetives:

• O "Olho de Águia" (DeepLabCut): Imagine um treinador de circo que ensina um macaco a reconhecer onde estão as mãos, o nariz e a orelha de um rato, mesmo que o rato se mova rápido ou fique parcialmente escondido. O computador "aprendeu" a marcar pontos específicos no corpo do rato em milhares de quadros de vídeo. Ele sabe exatamente onde está o focinho do rato, mesmo que ele esteja de lado.
• O "Juiz de Comportamento" (SimBA): Depois que o "Olho de Águia" marca onde o nariz está, o "Juiz" entra em ação. Ele olha para a posição do nariz em relação ao cotonete com cheiro e decide: "Isso é um cheiro?" ou "Isso é apenas um movimento aleatório?". Ele aprendeu a distinguir um "cheiro" de um "não cheiro" com base em exemplos que humanos marcaram antes.

3. O Treinamento: A Escola de Detetives

Para criar esse robô, os cientistas não inventaram do nada. Eles pegaram vídeos antigos onde humanos já tinham anotado tudo manualmente (o "livro de respostas" ou a verdade absoluta).

• Eles mostraram esses vídeos para o computador e disseram: "Veja, quando o nariz está aqui perto do cotonete, é um 'cheiro'. Quando está longe, é 'não cheiro'".
• O computador praticou milhares de vezes, errando e acertando, até ficar tão bom que sua pontuação foi quase idêntica à de dois humanos diferentes olhando o mesmo vídeo.

4. O Resultado: O Robô é tão Bom quanto o Humano?

Sim! Quando eles testaram o robô em vídeos que ele nunca tinha visto antes:

• Precisão: O tempo que o robô calculou que o rato cheirou foi quase idêntico ao tempo que os humanos calcularam. Foi como se o robô tivesse "olhos" tão bons quanto os dos cientistas.
• Conclusões Biológicas: O mais importante não é apenas contar o tempo, mas tirar conclusões. O robô conseguiu detectar as mesmas coisas que os humanos: que ratos mais velhos se comportam de um jeito, ratos jovens de outro, e que ratos com certas mutações genéticas (que simulam doenças humanas) têm dificuldades diferentes com os cheiros.
• Vantagem: O robô não fica cansado, não precisa de café e pode analisar centenas de vídeos em pouco tempo, algo que levaria semanas para uma pessoa fazer.

5. Por que isso é legal? (A Metáfora Final)

Pense na ciência como uma corrida de maratona.

• Antes: Os cientistas tinham que correr a maratona empurrando um carro de mão cheio de pedras (analisar vídeos manualmente). Era lento e difícil.
• Agora: Eles construíram uma bicicleta elétrica (o sistema de IA). A bicicleta permite que eles cheguem ao destino (os resultados científicos) muito mais rápido, com menos esforço e sem perder a precisão da rota.

Resumo da Ópera:
Os cientistas criaram um programa de computador que assiste vídeos de ratos cheirando coisas e conta o tempo de cheiro automaticamente. Mesmo com os ratos se mexendo e ficando escondidos atrás de objetos, o programa aprendeu a ser tão preciso quanto um humano. Isso significa que, no futuro, poderemos estudar doenças como Alzheimer ou Parkinson em ratos de forma muito mais rápida e eficiente, ajudando a encontrar tratamentos mais rápido para nós, humanos.

Resumo técnico

Título do Estudo

Uso de aprendizado de máquina para automatizar a análise de uma tarefa de habituação-dishabituação olfativa em camundongos.

---

1. O Problema

A análise comportamental é fundamental para a avaliação de modelos pré-clínicos de doenças neurológicas em camundongos. No entanto, a quantificação manual de comportamentos complexos, como o tempo de interação com estímulos olfativos (farejamento), é:

• Intensiva em mão de obra: Requer horas de anotação por pesquisador.
• Sujeita a viés e variabilidade: Diferentes anotadores podem interpretar os comportamentos de forma distinta.
• Limitada em escala: Dificulta a análise de grandes conjuntos de dados longitudinais.

Especificamente, a tarefa de habituação-dishabituação olfativa apresenta desafios técnicos adicionais:

• É frequentemente filmada em câmera lateral (side-view) para capturar a interação com o estímulo no ambiente natural da gaiola.
• Essa perspectiva causa oclusão de partes do corpo do animal e dificuldades de estimativa de profundidade.
• A maioria dos vídeos é em preto e branco (infravermelho), o que limita o uso de algumas ferramentas de visão computacional padrão.

O objetivo era desenvolver e validar um pipeline automatizado capaz de analisar esses vídeos laterais com precisão comparável à anotação manual.

---

2. Metodologia

Os autores desenvolveram um pipeline de aprendizado de máquina (ML) combinando duas ferramentas maduras: DeepLabCut (DLC) para estimativa de pose e SimBA para classificação comportamental.

A. Dados e Animais

• Modelos: Utilizaram dados de dois modelos genéticos de camundongos (C9orf72GR400/+ e TardbpQ331K/Q331K) que simulam aspectos de ELA/FTD, comparados com controles selvagens (WT).
• Faixa etária: Testes realizados aos 15 e 67 semanas de idade.
• Tarefa: Habituação-dishabituação com três odores: água (controle), odor social familiar e odor social novo.
• Gravação: Vídeos em infravermelho (câmera lateral única) dentro de gaiolas de ventilação individual (IVC).

B. Pipeline de Aprendizado de Máquina

1. Pré-processamento:
   • Seleção de 60 vídeos para treinamento (balanceados por idade e genótipo).
   • Recorte (cropping) da região de interesse (área próxima ao comedouro onde o odor é apresentado) para reduzir complexidade.
2. Estimativa de Pose (DeepLabCut - DLC):
   • Treinamento de uma rede neural (ResNet-101) para rastrear 10 partes do corpo do camundongo (focinho, orelhas, pescoço, abdômen, etc.) e pontos de referência do ambiente (cantos do comedouro, ponta do cotonete com odor).
   • Uso de aumento de dados (imgaug) e ciclos de re-treinamento focados em falhas de rastreamento.
   • Erro final de teste: 2.42 pixels (1.1 mm).
3. Classificação Comportamental (SimBA):
   • Extração de recursos (features) baseados na pose do DLC, ângulos, velocidades e distâncias em relação às Regiões de Interesse (ROIs) definidas (comedouro e cotonete).
   • Treinamento de classificadores de Floresta Aleatória (Random Forest) para distinguir duas classes: "fareja" (sniffs) e "não fareja" (does not sniff).
   • Uso de anotações manuais como "ground truth" para treinar o SimBA.
   • Configuração: 2000 estimadores, 80% treino / 20% teste.
4. Validação:
   • Aplicação do pipeline treinado em vídeos "cegos" (não vistos durante o treinamento).
   • Comparação estatística (correlação de Pearson, modelos lineares mistos) entre os dados gerados pelo ML e os dados anotados manualmente.

---

3. Contribuições Chave

• Pipeline Integrado: Criação de um fluxo de trabalho automatizado que combina DLC e SimBA especificamente para vídeos laterais com oclusão, um cenário desafiador para a maioria das ferramentas atuais.
• Viabilidade em Hardware Comum: Demonstração de que o pipeline pode ser executado em um único computador desktop (com GPU Nvidia RTX4090), tornando a tecnologia acessível sem necessidade de clusters de alto desempenho.
• Validação Longitudinal: O pipeline foi validado em dados longitudinais (dois pontos temporais distintos) e em dois modelos genéticos diferentes, provando sua robustez.
• Reprodutibilidade: Todos os códigos (Python, R), scripts de genotipagem e dados primários foram disponibilizados publicamente no GitHub.

---

4. Resultados

• Correlação Alta: Houve uma correlação positiva forte e significativa entre o tempo de farejamento medido manualmente e pelo ML:
  • C9orf72: r = 0.90 (15 semanas) e r = 0.87 (67 semanas).
  • Tardbp: r = 0.93 (15 semanas) e r = 0.88 (67 semanas).
  • A correlação ML-Manual foi comparável à correlação entre dois anotadores humanos diferentes.
• Equivalência Biológica:
  • Os modelos estatísticos (lmer) aplicados aos dados do ML e aos dados manuais produziram conclusões biológicas idênticas.
  • Ambos os métodos detectaram os mesmos efeitos de genótipo, sexo e ordem de apresentação dos odores.
  • Ambos detectaram padrões de habituação (redução do farejamento com o tempo) e dishabituação (aumento do farejamento com novo odor).
• Discrepâncias Menores: Houve pequenas diferenças na taxa de filtragem de dados (exclusão de vídeos onde o animal não interagiu inicialmente) e em algumas comparações post-hoc específicas (ex: habituação a odores específicos em grupos específicos), mas essas discrepâncias não alteraram as conclusões principais do estudo sobre os modelos de doença.

---

5. Significado e Impacto

• Aumento de Produtividade: A automação permite a análise de grandes volumes de dados comportamentais com alta precisão, acelerando a pesquisa pré-clínica.
• Padronização: Reduz a variabilidade inter-observador, aumentando a confiabilidade dos dados em estudos de doenças neurológicas.
• Acesso a Ambientes Naturais: A capacidade de analisar vídeos laterais em gaiolas de habitação (home-cage) permite a coleta de dados comportamentais em condições de bem-estar animal superiores (agrupamento, ambiente natural) sem a necessidade de câmeras múltiplas ou setups complexos.
• Escalabilidade: O método é acessível a laboratórios sem infraestrutura de supercomputação, democratizando o uso de IA avançada em neurociência comportamental.
• Limitações e Futuro: O estudo reconhece que a projeção 2D de dados 3D pode ser uma limitação para comportamentos mais complexos e que a padronização da aquisição de dados entre laboratórios é crucial para a reutilização do modelo. Futuras melhorias visam diferenciar melhor tipos de interação (farejar vs. lamber/morder).

Em resumo, o estudo valida com sucesso uma ferramenta automatizada que replica a precisão da anotação humana em tarefas olfativas complexas, facilitando a pesquisa translacional em modelos de doenças neurodegenerativas.