Integrating supervised and unsupervised machine learning for behavior segmentation reveals latent frailty signatures and improves aging clocks in isogenic and outbred mice

Este estudo demonstra que a integração de aprendizado de máquina supervisionado e não supervisionado para segmentação comportamental revela assinaturas latentes de fragilidade e melhora a precisão de relógios biológicos em camundongos, embora os modelos ainda apresentem limitações na generalização entre diferentes linhagens genéticas.

O essencial

Imagine que você quer saber se um carro está ficando velho e prestes a quebrar. Você pode olhar para a quilometragem (a idade cronológica), mas isso nem sempre diz a verdade. Um carro com 100.000 km pode estar em ótimo estado se foi bem cuidado, enquanto outro com 50.000 km pode estar cheio de ferrugem se foi maltratado.

Para saber a verdadeira "idade de saúde" de um animal (ou de uma pessoa), os cientistas usam algo chamado Índice de Fragilidade. É como uma lista de verificação onde um especialista marca se o animal tem problemas como costas curvadas, pelos caindo ou dificuldade de andar.

O problema? Fazer essa lista manualmente é chato, demorado e depende do humor do especialista. Se o Dr. A avalia o rato, ele pode achar que ele está "um pouco cansado". Se a Dra. B avalia o mesmo rato, ela pode achar que ele está "muito cansado". Essa diferença de opinião cria erros.

A Solução: Olhos de Computador vs. Intuição Humana

Neste estudo, os cientistas da Jackson Laboratory tentaram resolver esse problema usando computadores para "ver" os ratos e prever a idade e a saúde deles. Eles usaram duas abordagens diferentes, como se fossem dois detetives trabalhando no mesmo caso:

1. O Detetive "Especialista" (Aprendizado Supervisionado)

Este é o método antigo, mas automatizado. Os cientistas ensinaram o computador a procurar coisas que já sabemos que indicam velhice.

• A Analogia: É como ensinar um aluno a dirigir olhando apenas para o velocímetro e o freio. O computador sabe: "Se o rato anda devagar, se a coluna está torta ou se ele não pula, ele está velho".
• O Resultado: Funciona muito bem, mas é limitado. O computador só vê o que os humanos disseram para ele procurar. Se o rato desenvolver uma forma estranha e nova de se mover quando envelhece (algo que ninguém nunca viu antes), esse detetive não vai notar.

2. O Detetive "Explorador" (Aprendizado Não Supervisionado)

Aqui, os cientistas usaram uma inteligência artificial chamada Keypoint-MoSeq. Eles não disseram ao computador o que procurar. Eles apenas mostraram horas de vídeo dos ratos e disseram: "Analise tudo e descubra padrões".

• A Analogia: É como colocar um robô em uma sala cheia de pessoas e pedir para ele descrever como todos se movem, sem saber o que é "caminhar", "dançar" ou "cansado". O robô começa a criar suas próprias categorias, como "movimento rápido de virada", "parada súbita" ou "arrastar-se". Ele descobre "sílabas" de comportamento que os humanos nem sabiam que existiam.
• O Resultado: O computador encontrou padrões escondidos e sutis que o especialista humano ignorou.

A Grande Descoberta: A Força da Dupla

O estudo testou esses dois métodos em dois tipos de ratos:

1. Ratos "Idênticos" (C57BL/6J): Todos iguais geneticamente.
2. Ratos "Mestiços" (Diversity Outbred): Todos diferentes, como uma família humana grande e diversa.

O que eles descobriram?

• Nenhum dos dois sozinhos era perfeito: O "Especialista" era bom, mas perdia detalhes. O "Explorador" achava coisas legais, mas às vezes se perdia em detalhes irrelevantes.
• A Mágica da Mistura: Quando eles juntaram os dois métodos (o que o humano sabe + o que o computador descobriu sozinho), o resultado foi o melhor de todos.
  • Para prever a idade biológica (fragilidade), a mistura foi incrível.
  • Para prever a idade cronológica (quantos anos o rato tem), o "Especialista" ainda era um pouco melhor, mas a mistura ajudou a refinar a previsão.

O Grande Obstáculo: A "Linguagem" de Cada Raça

Aqui vem uma parte curiosa e importante. O estudo mostrou que o que funciona para um tipo de rato não funciona para o outro.

• A Analogia: Imagine que você ensina um computador a entender a linguagem de um grupo de pessoas que fala um dialeto específico (os ratos idênticos). Quando você tenta usar esse mesmo computador para entender um grupo que fala um dialeto totalmente diferente (os ratos mestiços), ele falha miseravelmente.
• Os ratos "mestiços" têm uma variedade de comportamentos muito maior. O computador "Explorador" descobriu que os ratos mestiços usam "sílabas" de movimento que os ratos idênticos nunca usam.
• Conclusão: Não existe um "relógio de envelhecimento" único para todos os animais. Para ser preciso, você precisa treinar o computador especificamente para o grupo de animais que você está estudando.

Por que isso importa para nós?

1. Precisão: Agora temos uma maneira de medir o envelhecimento de forma automática, sem depender do humor de um cientista humano.
2. Descoberta: A IA pode encontrar sinais de doença ou envelhecimento que os humanos ainda não conhecem, como uma mudança sutil na forma como um rato vira a cabeça.
3. Futuro: Isso ajuda a testar medicamentos anti-envelhecimento de forma mais rápida e justa. Se um remédio faz um rato parecer mais jovem nos vídeos, o computador sabe imediatamente, sem precisar de horas de análise manual.

Em resumo: O estudo mostrou que, para entender a velhice, precisamos da experiência humana (o que já sabemos) somada à curiosidade da máquina (o que ela descobre sozinha). Juntos, eles veem o quadro completo, mas precisamos lembrar que cada grupo de animais tem sua própria "personalidade" de envelhecimento, exigindo modelos personalizados.

Resumo técnico

Resumo Técnico: Integração de Aprendizado Supervisionado e Não Supervisionado para Segmentação de Comportamento e Sinais de Fragilidade em Camundongos

1. Problema e Contexto

O envelhecimento é um processo heterogêneo, e a "fragilidade" é definida como uma vulnerabilidade aumentada a resultados adversos de saúde. Em pesquisas pré-clínicas, o Índice de Fragilidade (FI) manual em camundongos é um preditor robusto de mortalidade e morbidade, superando frequentemente relógios de envelhecimento baseados em metilação de DNA. No entanto, a avaliação manual do FI apresenta limitações críticas:

• Intensidade de mão de obra: Requer treinamento extensivo de especialistas.
• Variabilidade de avaliadores: A subjetividade humana introduz ruído significativo (até 42% da variância em linhagens C57BL/6J e 18% em camundongos Diversity Outbred - DO), às vezes excedendo a variação biológica introduzida por intervenções de vida útil.
• Viés antropocêntrico: Métodos supervisionados anteriores (como o visual Frailty Index ou vFI) dependem de características definidas por humanos (ex: parâmetros de marcha, postura), podendo ignorar assinaturas comportamentais sutis e latentes do envelhecimento.
• Ineficiência de dados: Classificadores supervisionados anotam apenas uma pequena fração do vídeo, descartando a maior parte dos dados comportamentais de alta dimensão.

O estudo busca superar essas limitações testando se a descoberta de comportamento não supervisionado pode revelar assinaturas latentes de fragilidade e melhorar a precisão dos "relógios de envelhecimento".

2. Metodologia

Os autores integraram duas abordagens de visão computacional em um grande conjunto de dados de camundongos isogênicos (C57BL/6J - B6J) e geneticamente diversos (Diversity Outbred - DO), submetidos a diversas intervenções dietéticas (alimentação ad libitum, jejum e restrição calórica).

• Dados: Reanálise de 1.138 vídeos de campo aberto de camundongos B6J e DO, com pontuações manuais de FI associadas.
• Abordagem Supervisionada (S): Utilização de características pré-definidas por especialistas (59 características), incluindo parâmetros de marcha, mudanças posturais e medidas de atividade em campo aberto, extraídas via sistema JABS.
• Abordagem Não Supervisionada (U): Uso do Keypoint-MoSeq (KPMS), uma extensão do MoSeq que mapeia a estrutura latente de trajetórias de pose sem rótulos manuais.
  • O KPMS foi treinado em um subconjunto estratificado de 150 vídeos.
  • O modelo inferiu em todo o conjunto de dados, atribuindo cada quadro a "sílabas" comportamentais discretas e gerando embeddings latentes contínuos.
  • Extração de Características U: Foram geradas 341 características não supervisionadas divididas em três classes:
    1. Uso de Sílabas: Contagem de episódios, duração total e comprimento médio por sílaba.
    2. Transições de Sílabas: Probabilidades de transição agrupadas em 5 "meta-sílabas" via agrupamento hierárquico para reduzir ruído.
    3. Embeddings Latentes: Média, mediana e desvio padrão das dimensões contínuas de pose.
• Modelagem Preditiva:
  • Foram desenvolvidos modelos para prever: (1) Idade Cronológica, (2) Fragilidade Biológica (FI) e (3) Proporção de Vida Vivia (PLL).
  • Três configurações de entrada foram testadas: Supervisionado (S), Não Supervisionado (U) e Combinado (S+U).
  • Algoritmos utilizados: Regressão Linear com penalidade Elastic Net, Random Forest e Gradient Boosting (XGBoost).
  • Validação: Validação cruzada aninhada repetida (10x5 com 5 repetições) para evitar overfitting e avaliar generalização entre linhagens.

3. Contribuições Principais

1. Demonstração de Complementaridade: Prova que características supervisionadas (baseadas em conhecimento de domínio) e não supervisionadas (descoberta de dados) fornecem informações parcialmente não sobrepostas e sinérgicas.
2. Novos Relógios de Envelhecimento: Desenvolvimento de modelos de alta precisão (vFI, uvFI, bvFI) que superam as abordagens anteriores, especialmente ao combinar os dois conjuntos de características.
3. Recursos para a Comunidade: Disponibilização de um modelo KPMS pré-treinado em populações B6J-DO, embeddings não supervisionados e o conjunto de dados completo de vídeo e FI para desenvolvimento futuro de algoritmos.
4. Interpretabilidade de Comportamento Latente: Decodificação das "sílabas" mais importantes do KPMS, mostrando que elas correspondem a comportamentos canônicos (virar, locomover-se, ficar parado) mas capturam variações cinemáticas de alta resolução que os métodos supervisionados tradicionais não quantificam explicitamente.

4. Resultados Chave

• Desempenho Preditivo:
  • Idade Cronológica: Características supervisionadas (S) superaram as não supervisionadas (U). No entanto, o modelo combinado (S+U) alcançou a maior precisão (MAE de 10,6 semanas para B6J, 12,4 para DO).
  • Fragilidade (FI): As características não supervisionadas (U) performaram comparável ou ligeiramente melhor que as supervisionadas (S) em alguns casos. O modelo combinado (bvFI) foi o melhor em todos os conjuntos de dados, com erros absolutos médios (MAE) de 1,11 (B6J), 1,47 (DO) e 1,31 (combinado). Um erro de ~1,0 no FI equivale a apenas um item de fragilidade mal pontuado, um nível de erro comparável à variabilidade entre avaliadores humanos.
  • Proporção de Vida Vivia (PLL): O modelo combinado também superou os modelos individuais na previsão de mortalidade em camundongos DO.
• Generalização entre Linhagens (Falha):
  • Tanto os modelos supervisionados quanto os não supervisionados falharam em generalizar entre as linhagens B6J e DO. Modelos treinados em B6J tiveram desempenho pobre em DO e vice-versa.
  • Isso confirma que as manifestações comportamentais do envelhecimento são altamente específicas da população/genótipo, e o KPMS atribuiu desproporcionalmente sílabas específicas ao DO devido à maior heterogeneidade comportamental dessa população.
• Importância das Características:
  • A análise de importância por permutação revelou que, nos modelos combinados, as características supervisionadas mantiveram a maior importância média, servindo como "andaime" preditivo.
  • Entre as características não supervisionadas, o Uso de Sílabas (tempo gasto em diferentes programas motores) foi o mais preditivo, superando transições e embeddings latentes.
  • As sílabas de maior importância correspondiam a comportamentos reconhecíveis: virar em diferentes velocidades, locomoção reta e postura estática.

5. Significância e Conclusão

O estudo estabelece um novo paradigma para a gerociência automatizada em roedores. A principal conclusão é que a fusão de aprendizado supervisionado e não supervisionado cria um framework mais robusto, sensível e abrangente para avaliar o envelhecimento.

• Sinergia: O aprendizado supervisionado fornece interpretabilidade biológica e métricas estabelecidas, enquanto o não supervisionado captura a estrutura temporal completa do repertório comportamental, incluindo nuances cinemáticas e sequenciais que escapam à definição humana.
• Limitações e Futuro: A falta de generalização entre linhagens destaca a necessidade de calibrar os "relógios de envelhecimento" para populações específicas ou treinar em coortes mais diversas (como camundongos UM-HET3).
• Impacto: Este trabalho avança a transição de avaliações de fragilidade manuais e subjetivas para métodos escaláveis, objetivos e não invasivos, permitindo a descoberta de biomarcadores comportamentais de envelhecimento com resolução temporal e espacial superior.

Em suma, a integração de métodos de visão computacional "top-down" (especialista) e "bottom-up" (dados) oferece a melhor abordagem atual para quantificar o envelhecimento biológico em modelos animais, superando as limitações de cada método isolado.