"Le programme promet non seulement d'accélérer la recherche sur la neurobiologie du comportement, mais également de permettre des comparaisons et de réconcilier les résultats qui diffèrent en raison des différences dans la manière dont les laboratoires observent, analysent et classifient les comportements", a déclaré Sam Golden, professeur adjoint de structure biologique à l'École de médecine de l'Université de Washington.

"Cette approche permet aux laboratoires de développer des procédures comportementales comme ils le souhaitent et permet d'établir des comparaisons générales entre les résultats d'études utilisant différentes approches comportementales", a-t-il déclaré.

Un article décrivant le programme paraît dans la revue Nature Neuroscience . Golden et Simon Nilsson, chercheur postdoctoral au laboratoire Golden, sont les auteurs principaux de l'article. Le premier auteur est Nastacia Goodwin, une étudiante diplômée du laboratoire.

L'étude de l'activité neuronale à l'origine du comportement animal a conduit à des avancées majeures dans la compréhension et le traitement de troubles humains tels que la dépendance, l'anxiété et la dépression.

Une grande partie de ce travail est basée sur des observations minutieusement enregistrées par des chercheurs individuels qui observent des animaux en laboratoire et notent leurs réponses physiques à différentes situations, puis corrèlent ce comportement avec des changements dans l'activité cérébrale.

Par exemple, pour étudier la neurobiologie de l’agressivité, les chercheurs pourraient placer deux souris dans un espace clos et enregistrer les signes d’agressivité. Celles-ci incluent généralement des observations de la proximité physique des animaux les uns par rapport aux autres, de leur posture et des manifestations physiques telles que des contractions rapides ou des cliquetis de la queue.

Annoter et classer de tels comportements est une tâche exigeante et longue. Il peut être difficile de reconnaître et de consigner avec précision les détails importants, a déclaré Golden. "Le comportement social est très complexe, se produit très rapidement et est souvent nuancé, de sorte qu'un grand nombre de ses composants peuvent être perdus lorsqu'un individu l'observe."

Pour automatiser ce processus, les chercheurs ont développé des systèmes basés sur l'IA pour suivre les composants du comportement d'un animal et classer automatiquement le comportement, par exemple, comme agressif ou soumis.

Étant donné que ces programmes peuvent également enregistrer des détails plus rapidement qu'un humain, il est beaucoup plus probable qu'une action puisse être étroitement corrélée à l'activité neuronale, qui se produit généralement en millisecondes.

L'un de ces programmes, développé par Nilsson et Goodwin, s'appelle SimBA, pour Simple Behavioral Analysis. Le programme open source présente une interface graphique facile à utiliser et ne nécessite aucune compétence informatique particulière pour son utilisation. Il a été largement adopté par les spécialistes du comportement.

"Bien que nous ayons créé SimBA pour un laboratoire de rongeurs, nous avons immédiatement commencé à recevoir des e-mails de toutes sortes de laboratoires :laboratoires de guêpes, laboratoires de mites, laboratoires de poissons zèbres", a déclaré Goodwin.

Mais à mesure que de plus en plus de laboratoires utilisaient ces programmes, les chercheurs ont découvert que des expériences similaires donnaient des résultats très différents.

"Il est devenu évident que la façon dont un laboratoire ou une personne définit le comportement est assez subjective, même en essayant de reproduire des procédures bien connues", a déclaré Golden.

De plus, il était difficile de prendre en compte ces différences car il est souvent difficile de savoir comment les systèmes d'IA parviennent à leurs résultats, leurs calculs s'effectuant dans ce qui est souvent qualifié de « boîte noire ».

Dans l'espoir d'expliquer ces différences, Goodwin et Nilsson ont intégré à SimBA une approche d'explicabilité d'apprentissage automatique qui produit ce que l'on appelle le score Shapely Additive ExPlanations (SHAP).

Essentiellement, cette approche d'explicabilité détermine comment la suppression d'une caractéristique utilisée pour classer un comportement, par exemple le cliquetis de la queue, modifie la probabilité d'une prédiction précise par l'ordinateur.

En supprimant différentes caractéristiques de milliers de combinaisons différentes, SHAP peut déterminer la force prédictive fournie par chaque caractéristique individuelle utilisée dans l'algorithme qui classe le comportement. La combinaison de ces valeurs SHAP définit ensuite quantitativement le comportement, supprimant la subjectivité dans les descriptions comportementales.

"Nous pouvons désormais comparer les protocoles comportementaux respectifs (de différents laboratoires) à l'aide de SimBA et voir si nous observons, objectivement, un comportement identique ou différent", a déclaré Golden.

"Cette approche permet aux laboratoires de concevoir des expériences comme bon leur semble, mais comme vous pouvez désormais comparer directement les résultats comportementaux de laboratoires utilisant différentes définitions comportementales, vous pouvez tirer des conclusions plus claires entre leurs résultats. Auparavant, des données neuronales incohérentes pouvaient être attribuées à de nombreux confusion, et maintenant nous pouvons clairement exclure les différences de comportement alors que nous nous efforçons d'obtenir une reproductibilité et une interprétabilité entre laboratoires", a déclaré Golden..