Comment l'IA bouleverse les études sur le comportement animal dans l'autisme

spectrumnews.org Traduction de "How artificial intelligence is shaking up animal behavior studies in autism"

Comment l'intelligence artificielle bouleverse les études sur le comportement animal dans l'autisme 

par Alla Katsnelson / 24 mai 2021

Sam Golden n'a jamais eu l'intention de développer un logiciel d'apprentissage automatique qui analyse le comportement des souris. Mais lorsqu'il a lancé son laboratoire en janvier 2019 pour étudier la neurobiologie de l'agression, lui et son boursier postdoctoral féru de technologie se sont rapidement mis d'accord sur ce qu'ils ne voulaient pas faire.

"Nous nous sommes simplement regardés et nous avons dit : "Nous ne voulons plus noter des vidéos"", explique Golden, professeur adjoint de neurosciences à l'université de Washington à Seattle.

Leur invention - un logiciel appelé Simple Behavioral Analysis (SimBA) - est née d'une frustration familière à de nombreux chercheurs sur l'autisme. L'étude du comportement implique généralement d'enregistrer des vidéos de rongeurs, de mouches, de poissons, d'oiseaux, de singes ou d'autres animaux, puis de les "noter" en regardant des heures de reprises avec un cliqueur à la main, en comptant et en catégorisant ce que font les animaux : combien de fois cette souris s'est-elle approchée d'une autre ? Ou enterrer une bille dans sa litière ?

Ces dernières années, on a assisté à une prolifération d'outils libres permettant d'automatiser ce processus. Beaucoup d'entre eux utilisent l'apprentissage automatique pour identifier plusieurs points sur le corps d'un animal, tels que le nez et les articulations clés, et utilisent ces points pour suivre les poses de l'animal. Les chercheurs peuvent analyser statistiquement ces données d'estimation de la pose pour déterminer les mouvements de l'animal et attribuer un score automatique à son comportement.

Mais une nouvelle génération d'outils - dont SimBA, Motion Sequencing, ou MoSeq, du laboratoire de Sandeep Robert Datta à l'université de Harvard, et le Mouse Action Recognition System (MARS) du laboratoire d'Ann Kennedy à l'université Northwestern de Chicago, dans l'Illinois - pousse l'analyse un peu plus loin.

Grâce à ces nouveaux algorithmes, les chercheurs peuvent non seulement suivre la façon dont un animal se déplace, mais aussi définir les mouvements constitutifs de comportements plus complexes, comme le dressage, le toilettage ou le combat. Les programmes peuvent être entraînés à se concentrer sur un comportement spécifique ou être utilisés sur des données vidéo sans formation préalable pour faire ressortir des différences importantes, par exemple dans la façon dont les souris mâles et femelles se battent ou jouent.

Pour la recherche sur l'autisme, un tel logiciel pourrait être un atout majeur, selon les scientifiques. Les algorithmes pourraient comparer systématiquement les interactions sociales entre des souris ou des rats de type sauvage et celles de souris ou de rats dépourvus de différents gènes liés à l'autisme, explique Datta. Il collabore avec des chercheurs spécialisés dans l'autisme pour mener de telles études. Les outils pourraient être utilisés pour zoomer sur les éléments du comportement social partagés entre les espèces. Ils pourraient également être utilisés pour évaluer rapidement les effets comportementaux des médicaments ou d'autres thérapies potentielles pour l'autisme, comme le laboratoire de Datta l'a décrit l'année dernière.

"Les gens commencent à prendre des films d'animaux au comportement libre et à les soumettre à des techniques de réseaux profonds pour essayer de comprendre comment le comportement animal pourrait être structuré", explique Datta. "Ces technologies améliorent vraiment la capacité d'un large éventail de scientifiques à poser toutes sortes de questions."

Mesures objectives

La nouvelle génération d'outils automatisés pourrait également résoudre un problème majeur qui affecte les études comportementales depuis des décennies : le manque de cohérence dans la manière dont les chercheurs classent des comportements spécifiques d'un laboratoire à l'autre, et même au sein d'un même laboratoire.

Par exemple, une interaction sociale entre deux souris peut consister en plusieurs comportements distincts, notamment la posture ou l'approche, le reniflement ou le toilettage de l'autre animal. Deux chercheurs qui étudient ce comportement peuvent avoir des hypothèses différentes sur les éléments qui doivent être présents pour que l'interaction soit comptabilisée lors de la notation manuelle. Qui plus est, de nombreux comportements se situent sur un gradient. Ce qui constitue un toilettage excessif est une décision que deux chercheurs peuvent prendre différemment.

"Je pense que ce sera leur principale contribution : la transparence et la reproductibilité entre les laboratoires", déclare Cornelius Gross, neuroscientifique et directeur par intérim du Laboratoire européen de biologie moléculaire à Rome, en Italie.

Comme les algorithmes doivent définir quantitativement les paramètres d'un comportement particulier, leurs mesures sont objectives. Les chercheurs peuvent comparer les paramètres qu'ils utilisent avec ceux que leurs collègues utilisent pour définir le même comportement - ou déterminer si une différence dans les résultats provient d'une différence de comportement ou d'une différence dans la façon de définir le comportement.

"Cela devient moins une observation subjective et plus quelque chose de concret et de reproductible", explique M. Golden.

La technologie permet également d'établir une corrélation entre des comportements spécifiques et l'activité cérébrale, avec un degré de précision que la notation manuelle ne permet pas, explique Kennedy. "Nous pouvons voir ce que fait le cerveau et le relier aux actions de l'animal".

Les chercheurs peuvent enregistrer l'activité du cerveau à l'aide de plusieurs électrodes afin de capter l'activité de plusieurs circuits cérébraux, ou ils peuvent utiliser des techniques telles que l'optogénétique, en activant ou en désactivant des circuits spécifiques, puis en corrélant le moment de l'activation avec les changements comportementaux de seconde en seconde. De cette manière, les chercheurs peuvent déterminer l'activité cérébrale qui sous-tend une action spécifique - par exemple, l'initiation d'une interaction sociale par rapport à une aversion pour celle-ci.

Alors que Mme Kennedy était chercheuse postdoctorale dans le laboratoire de David Anderson au California Institute of Technology à Pasadena, elle et ses collègues ont utilisé MARS pour montrer que les schémas d'activité cérébrale des souris mâles diffèrent selon qu'elles montent des femelles ou d'autres mâles.

"Les deux comportements ne se distinguent pas en apparence", explique Mme Kennedy, "mais les corrélats neuronaux du comportement sont différents."

Hors contexte

Cependant, tout le monde n'est pas impatient d'adopter ces nouveaux outils.

Selon Mu Yang, professeure adjointe de neurobiologie à l'université Columbia et directrice du Mouse Neurobehavior Core, la recherche comportementale sur l'autisme est particulièrement délicate, car la plupart des chercheurs ne savent pas interpréter le comportement social des différentes espèces. Il est donc difficile de comparer ces comportements avec les différences d'interaction sociale chez les personnes autistes. L'utilisation d'outils automatisés pour évaluer ces changements comportementaux ne peut que brouiller davantage les interprétations des scientifiques.

"Les outils donnent aux gens l'impression qu'il suffit d'acheter du matériel prêt à l'emploi pour obtenir des phénotypes pertinents pour l'autisme. Les phénotypes liés à l'autisme apparaîtront sans qu'il soit nécessaire d'examiner le moindre comportement", explique Mme Yang.

D'autres scientifiques formés à l'éthologie traditionnelle font rapidement remarquer que les comportements des animaux, y compris l'apprentissage et la communication, ne se produisent pas dans le vide. S'appuyer sur l'apprentissage automatique pour déterminer pourquoi deux souris interagissent d'une certaine manière à un moment donné, par exemple, pourrait, hors contexte, conduire les chercheurs à mal interpréter ces comportements, explique Jill Silverman, professeure associée de psychiatrie et de sciences du comportement à l'université de Californie à Davis.

L'automatisation peut être utile pour certains comportements simples, dit-elle, mais "on ne peut pas être comportementaliste et ne pas observer le comportement."

SimBA comprend des "points de contrôle manuels" permettant aux chercheurs d'examiner des clips vidéo de ce que l'algorithme prédit être un comportement particulier et d'évaluer son exactitude, dit Golden. "Les gens ont tout à fait raison d'être effrayés par [l'automatisation complète]."

Cependant, pour les chercheurs qui n'ont pas une grande expérience de l'analyse des comportements sociaux - par exemple, pour déterminer si une souris en évite une autre parce qu'elle est anxieuse ou parce qu'elle préférerait simplement renifler un morceau de carton - une telle vérification ne serait pas nécessairement utile, selon Mme Yang. Si quelqu'un d'inexpérimenté effectue la vérification, "c'est l'aveugle qui guide l'aveugle".

Pour l'instant, du moins, la notation manuelle devrait rester un pilier. Les algorithmes d'analyse comportementale dans leur ensemble présentent encore de nombreuses limites techniques. Parmi elles, le fait que les chercheurs doivent souvent réentraîner leur algorithme chaque fois qu'ils modifient leur dispositif expérimental, car de fortes différences visuelles rendent les éléments sur lesquels l'algorithme s'est entraîné moins reconnaissables. De plus, certains algorithmes ne parviennent pas à suivre deux animaux d'apparence similaire et en étroite interaction ; ils ont tendance à confondre les points qu'ils suivent, comme deux nez qui se touchent.

Le laboratoire de Gross utilise SimBA et d'autres outils d'IA, mais il n'est pas encore convaincu que l'investissement pour former les étudiants à l'utilisation de ces programmes en vaut la peine. D'après son expérience, les programmes confondent trop souvent deux souris, surtout sous un éclairage peu contrasté, dit-il. Et parcourir les vidéos pour vérifier ce genre d'erreurs prend beaucoup de temps - presque autant que de les noter à la main.

"Une seule erreur d'échange de l'identité de deux animaux pendant le "croisement" peut ruiner les [données de la] vidéo entière", explique-t-il.

À mesure que l'apprentissage automatique s'améliore, ces problèmes seront résolus, affirme M. Golden. En avril, son laboratoire a publié une version actualisée de SimBA qui peut classer les comportements non seulement à partir de vidéos, mais aussi en temps réel, ce qui permet aux chercheurs de déterminer avec précision le moment où ils activent un circuit contrôlé par optogénétique, par exemple. Il travaille également avec un consortium de laboratoires du monde entier pour normaliser la manière dont les paramètres de comportements spécifiques peuvent être partagés.

"Le message que nous essayons de faire passer est le suivant : donnez-lui une chance", dit-il. "Ce n'est pas aussi effrayant que ça en a l'air".