동물의 마음과 두뇌 내부에서 무슨 일이 일어나고 있는지 이해하려는 탐구는 신경 과학자들이 많은 놀라운 길을 가져갔습니다.
2013 년에는 신경 생물학 자 밥 데타 (Bob Datta)와 그의 동료들을 하버드 의과 대학 (Harvard Medical School)의 동료들을 실험실에서 길가로 데려갔습니다.
Electronics Store에서 그들은 필요한 것을 발견했습니다 :Xbox Kinect, 플레이어의 움직임을 감지하는 게임 장치. 과학자들은 그들이 연구하고있는 마우스의 신체 움직임을 철저히 상세하게 모니터링하기를 원했지만 일반적인 실험실 기술 중 어느 것도 그 일에 부응하지 못했습니다. 그래서 Datta의 그룹은 장난감으로 돌아와서 환경을 탐험하면서 동물로부터 3 차원 모터 정보를 수집하기 위해 장난감을 사용했습니다. 이 장치는 본질적으로 우주에서 점수의 구름으로 렌더링되었고 팀은 그 지점의 리듬 움직임을 분석했습니다.
.Datta의 솔루션은 당시에는 정통 이었을지 모르지만 이제는 행동 과학을 변화시키는 자동화 된 접근 방식의 물결을 상징합니다. 동물의 행동을보다 엄격하고 정량적으로 연구함으로써, 연구자들은 관찰 할 수없는“드라이브”또는 내부 국가에 대한 더 깊은 통찰력을 희망하고 있습니다. 프린스턴 대학교에서 동물 행동을 공부하는 박사후 연구원 인 아담 칼 호운 (Adam Calhoun)은“우리는 동물이있을 수있는 상태를 알지 못한다”고 말했다.
이러한 내부 상태를 뇌의 복잡한 신경 회로에서 특정 활동으로 추적하면 더 많은 장애물이 나타납니다. Datta는 정교한 도구가 수천 개의 뉴런에서 한 번에 기록 될 수 있지만“우리는 뇌의 출력을 이해하지 못한다”고 말했다. "이러한 조밀 한 신경 규범을 이해하는 것은 행동에 대한 풍부한 이해에 접근해야 할 것입니다."
그 풍부한 이해는 훨씬 더 오래 지속되지 않을 수 있습니다. 기계 학습의 발전을 활용하여 과학자들은 동물의 움직임을 자동으로 추적하는 알고리즘을 구축하고 있으며, 플라이 날개 각도 또는 마우스 등의 아치의 작은 변화까지. 또한 동물의 내부 상태에 대한 단서에 대한이 데이터를 자동으로 분석하고 분류하는 패턴 찾기 도구를 만들고 있습니다.
이러한 방법의 주요 장점은 인간이 볼 수없는 패턴을 선택할 수 있다는 것입니다. 지난 달 Nature Neuroscience 에 출판 된 논문에서 , Calhoun, Princeton Neuroscientists Mala Murthy와 Jonathan Pillow와 함께 Calhoun은 행동 관찰 만 사용하여 과일 파리의 구애 행동에 기초한 세 가지 내부 상태를 식별하는 기계 학습 모델을 구축했습니다. 파리의 뇌 활동을 조작함으로써 연구원들은 그 상태를 제어하는 일련의 뉴런을 정확히 찾아 낼 수있었습니다.
이러한 발견을 가능하게 한 모션 추적 및 행동 분석에 대한 연구는 행동 연구에서 기술 혁명을 나타냅니다. 또한이 성공은 앞으로 많은 사람들 중 하나 일뿐임을 나타냅니다. 과학자들은 이제 이러한 방법을 적용하여 신경 과학, 유전학, 진화 및 의학에서 지금까지 해결할 수없는 것처럼 보였습니다.
.로그 및 재고
펜, 종이 및 스톱워치로 무장 한 과학자들은 수십 년 동안 야생 (및 실험실)에서 동물의 행동을 정량화하여 피사체가 잠을 자고 놀고 사료와 배우자를 지켜보고 있습니다. 그들은 관찰과 묘사 된 패턴을 차지했으며 조직 프레임 워크를 제시하여 이러한 추세를 체계화하고 설명합니다. (생물 학자 Nikolaas Tinbergen, Konrad Lorenz 및 Karl von Frisch는 1973 년에 물고기, 조류 및 곤충과 함께 이러한 종류의 실험을 독립적으로 수행 한 것에 대해 노벨상을 수상했습니다.)
이 작업에서 발생하는 행동의 재고는 1973 년 자연에서 마우스의 손질에 대한 설명을 매우 상세하게 얻을 수 있습니다. 이 기사에는“얼굴 아래의 앞다리가 흐르면서”와“머리 위로 큰 동기식이지만 비대칭 뇌졸중”이 포함되었으며, 그러한 제스처가 다른 상황에 처해있을 가능성이있는 추정치가 포함되었습니다. 연구자들은 관찰 된 행동의 어떤 측면이 중요 할 수 있는지 알지 못했기 때문에 모든 세부 사항을 포착해야했습니다.
일부 과학자들은 반대의 압정을 취해 제어 실험실 환경에 넣어 동물의 뼈에 대한 행동 변동성을 줄이고 미로에서 좌회전 할 것인지 여부와 같은 간단한 이진 결정 만 할 수있게했습니다. 이러한 단순화는 때때로 유용하고 유익했지만 인공 제한은 또한 연구원의 자연 행동에 대한 이해를 손상시키고 중요한 신호를 간과 할 수 있습니다. 캘리포니아 기술 연구소 (California Institute of Technology)의 이론적 신경 과학 박사 과정 연구원 인 앤 케네디 (Ann Kennedy)는“행동을 잘 이해하는 것은 실제로이 연구의 제한 요인이다.
그렇기 때문에 Princeton의 Murthy와 Joshua Shaevitz의 대학원생 인 Talmo Pereira에 따르면 과학자들은“행동에 대해 더 정량적으로 생각함으로써 현대를 현대화하기 시작했습니다. 그리고 그 화장에서 중요한 변화는 데이터 수집 및 데이터 분석의 자동화였습니다.
추적 주둥이, 가시 및 꼬리
이미지 캡처 기술은 항상 움직이는 동물의 포즈를 추적하는 데 중요했습니다. 1800 년대에 Eadweard Muybridge는 스톱 모션 사진을 사용하여 말과 사람들의 춤을 차지했습니다. 사진을 통해 동물의 다리가 프레임으로 프레임이있는 곳 또는 머리가 어떻게 지향되는지 표시하기가 더 쉽고 정확하게 만들었습니다. 비디오 기술이 도착했을 때 연구원들은보다 정확한 측정을 수행 할 수 있었지만 여전히 동물의 속도 또는 평균 위치와 같은 거친 양을 기반으로하는 경향이있었습니다. 3 차원을 통해 모든 움직임을 추적하는 것은 불가능했습니다. 그리고 모든 비디오 주석은 여전히 컴퓨터에 실망스럽게 로그인해야했으며, 노트북에서 오래된 그리기 방법에 대해서는 크게 개선되지 않은 프로세스입니다.
.1980 년대에 연구원들은 이미지에서 가장자리와 윤곽을 찾는 데 이미 사용 된 컴퓨터 비전 알고리즘을 조정하기 시작했습니다. 향후 수십 년 동안, 시스템의 각 프레임에서 동물의 위치에 라벨을 붙이고, 여러 유기체를 구별하고, 심지어 특정 신체 부위와 방향을 식별하기 시작하는 시스템이 개발되었습니다.
그럼에도 불구하고,이 프로그램들은 과학자들이 필요로하는 것만 큼 효율적이지 않았습니다. 독일의 맥스 플랑크 동물 행동 연구소 (Max Planck Animal Behavior)의 이아 인 쿠진 (Iain Couzin)은“미래가 무엇을하고 있는지에 대한 몇 가지 빛이 있었다”고 말했다. "그러나 딥 러닝의 출현까지 아주 최근까지는 실제로 정교한 일이 일어날 수 없습니다."
.딥 러닝을 통해 연구원들은 비디오의 모든 프레임에서 곤충, 생쥐, 박쥐, 물고기와 같은 거의 모든 동물의 관절과 주요 신체 부위를 추적하기 위해 신경망을 훈련시키기 시작했습니다. 필요한 것은 소수의 라벨이 붙은 프레임 (일부 알고리즘의 경우 10 개 정도)입니다. 출력은 동물의 몸에 팽팽한 지점으로 나타나 코, 꼬리, 귀, 다리, 발, 날개, 척추 등을 식별합니다.
이를 수행하는 프로그램의 수는 지난 몇 년 동안 기계 학습의 진전뿐만 아니라 Moviemakers, Animators 및 Gaming Industry의 인간 움직임을 매핑하는 것과 관련하여 촉진되었습니다.
물론 할리우드 및 실리콘 밸리와 관련된 모션 캡처 종류의 경우 사람들이 쉽게 발견하고 따라갈 수있는 마커로 장식 된 바디 수트를 입기 쉽습니다. 그런 다음이 데이터를 사용하여 자세한 포즈 및 움직임 모델을 구축 할 수 있습니다. 그러나 Bodysuit 솔루션은 실제로 동물 연구 세계에서 선택 사항이 아니 었습니다.
5 년 전, 노르웨이 과학 기술 대학의 신경 과학자 인 조나단 휘트 록 (Jonathan Whitlock)은 자신이 연구 한 마우스를 표시하는 또 다른 방법을 사냥하기 시작했습니다. 그는 자신이 생각할 수있는 것을 시도했습니다. 그와 그의 동료들은 동물의 모피를 면도하고 적외선 반사 잉크로 태그를 붙였습니다. 그들은 일반적으로 반사 도로 페인트에 사용되는 유리 구슬의 서스펜션을 동물의 등에 돌 렸습니다. 그들은 동물의 관절에 빛나는 잉크와 닦았습니다. 목록은 계속되지만 소용이 없다 :때로는 마커가 단순히 추적하기에 충분히 밝지 않았고 때로는 마우스를 불안해 행동을 방해했다.
.
결국, Whitlock의 팀은 작은 반사 테이프 조각을 사용하여 동물의 뒤쪽을 따라 3 점에 달라 붙어 척추의 움직임을 재구성하고 헤드 움직임을 추적하기 위해 4 개의 추가 테이프가있는 작은 헬멧을 사용했습니다. Whitlock은“그만한 것만으로 우리를 위해 완전히 새로운 세상을 개방하기에 충분했습니다.
그러나 많은 연구자들은 마커를 사용하여 과거를 전혀 움직이기를 원했고 동물에서 7 점 이상을 추적하고 싶었습니다. 따라서 동물과 인간 모두에 대한 이전 작업에서 얻은 통찰력을 결합함으로써 여러 실험실이 사용하기 쉬운 시스템을 만들었습니다.
이 시스템 중 첫 번째는 작년에 온라인으로 나왔습니다. Deeplabcut는 Harvard Neuroscientists Mackenzie Mathis와 Alexander Mathis에 의해 개발되었으며, 그는 이미 수천 개의 물체를 분류하도록 훈련 된 신경망을 용도 변경했습니다. 다른 방법은 빠르게 연속적으로 이어졌습니다. Pereira와 Murthy와 Shaevitz의 실험실에서 개발 한 Leap (Leap (Leap) 동물 포즈); 한 번에 여러 상호 작용 동물의 차체 부위 위치를 추적하기위한 동일한 팀의 다가오는 소프트웨어 인 Sleap; 그리고 몇 달 전에 출판 된 Couzin Group의 DeepposeKit.
Murthy는 Leap에 대해“정말 빨리 배울 수 있습니다. "10 분 또는 15 분 안에 모든 비디오에서 자동으로 실행되도록 교육을받을 수 있습니다." 다른 그룹은 여러 카메라를 사용하여 유사한 모델을 교정하여 2 개가 아닌 3 차원으로 포즈를 모델링하고 있습니다.
Couzin은“후드 아래 에서이 기술은 엄청나게 정교 할 수 있습니다. 그러나 이제는 마우스의 수염이 개미 행동으로 이동하는 방법에서부터 매우 광범위한 문제에 실제로 쉽게 적용하기가 쉽습니다.”
.Whitlock은 마우스에서 그는 연구에 관련된 특정 움직임과 위치가 조정 된 움직임에 관여하는 피질의 영역 전체에서, 그리고 아마도 더 광범위하게 인코딩된다는 것을 발견했습니다. "뇌 의이 부분은 동물이 어떻게 머리를 잡고 있는지에 대해 많은 관심을 갖고있다"고 그는 말했다. “이것은 연구원들이 자유롭게 움직이는 동물을 추적 할 수 없었기 때문에“이것은 우리가 전에 단순히 감사하지 않은 대뇌 피질 가공의 한 측면입니다.
.자세를 묘사함으로써 알고리즘은 행동에 대한 더 깊은 이해로 창을 열어줍니다. Whitlock은 본질적으로 모든 측정 가능한 행동은“시간이 지남에 따라 자세의 변화”라고 말했다. “그리고 우리는 자세가 있습니다. 우리는 그것을 못 박았습니다.”
포즈 추적 소프트웨어는 데이터 수집을 단순화했기 때문에 하버드 대학의 행동 생물 학자 인 벤자민 데 비트 (Benjamin de Bivort)는“이제 우리는 다른 문제에 대해 생각할 수 있습니다. 시작 :행동의 빌딩 블록을 어떻게 정의하고 어떻게 해석합니까?
숨겨진 언어
이러한 질문에 답하려는 시도는 오랫동안 윤리학 자 (동물 행동 주의자)가 농담으로 부르는 관찰자의 직관, 즉“성모님의 인식”에 오랫동안 의존 해 왔습니다. 그러나 직관은 고유 한 편견, 재현성 부족, 일반화의 어려움으로 인해 혼란스러워집니다.
텔 아비브 대학교 (Tel Aviv University)의 동물 학자 인 일란 골 라니 (Ilan Golani)는 지난 60 년 동안 행동을 묘사하고 분석하는 덜 임의의 방법을 찾아 화학의 원자와 유사한 기본 행동 단위를 포함하는 것을 찾아 보냈다. 그는 행동이 단순히 구애 나 수유로 태그를 붙이기를 원하지 않았습니다. 그는 동물의 해부학에 근거한 일반적인 규칙 세트에서 그 특성이“자연스럽게”발생하기를 원했습니다. Golani는 그 단위와 규칙이 어떻게 보일지에 대한 자신의 모델을 가지고 있지만, 그는이 분야가 여전히 그것에 대한 합의에 도달하지 못한다고 생각합니다.
.다른 연구자들은 기계 학습과 딥 러닝 이이 분야를 더 빨리 합의 할 수 있다는 반대의 입장을 취합니다. 그러나 Deeplabcut, Leap 및 다른 최첨단 포즈 추적 알고리즘은 감독 된 학습에 의존하지만 과학자들은 손으로 표지 된 데이터에서 신체 부위의 위치를 추론하도록 훈련되었습니다. 감독되지 않은 접근 방식은 인간이 모든 단계를 지시하고 편견을 소개하지 않고 자체적으로 행동의 숨겨진 행동 구조를 드러 낼 것을 약속합니다.
연구원들이 동물의 레퍼토리의 거의 모든 움직임을 포착하기 위해 함께 추가 될 수있는 4 개의 벌레 운동 블록을 확인한 2008 년 에이 사실에 대한 흥미로운 예가 나타났습니다. 이 소형 표현은 행동 역학에 대해 생각할 수있는 정량적 방법을 제공했습니다.
Datta는 2013 년 Xbox Kinect Hack과 함께이 접근 방식을 완전히 새로운 수준으로 가져 왔으며, 그는 빠르게 보상을 받았습니다. 그와 그의 동료들이 마우스의 움직임을 설명하는 데이터를 살펴 보았을 때, 그들은 그 안에 큰 구조를 즉시 보는 것에 놀랐습니다. 동물의 3 차원 행동의 역학은 평균 300 밀리 초 동안 지속 된 작은 덩어리에 자연스럽게 분할하는 것처럼 보였다. “이것은 단지 데이터에 있습니다. Datta는 말했습니다.”라고 Datta는 말했습니다. "이것은 마우스 행동의 근본적인 특징 일뿐입니다."
그는 그 덩어리들이 음절, 규칙 세트 또는 문법을 통해 함께 묶인 행동 단위의 모습을 기대할 수있는 것처럼 끔찍한 것처럼 보였습니다. 그와 그의 팀은 미래의 행동을 가장 잘 예측하는 방식으로 동물의 활동을 나누어서 음절을 식별하는 깊은 신경망을 구축했습니다. 모션 시퀀싱 (MOSEQ)이라고 불리는 알고리즘은 연구자들이 나중에“Run Forward”또는“Down and Dart”또는“Get Out!”의 이름을 지정할 음절을 뿌렸습니다. 전형적인 실험에서 마우스는 40 ~ 50 개를 사용하며 그 중 일부만 인간에게 이름이있는 행동에 해당합니다.
Whitlock은“그들의 알고리즘은 우리에게 말이없는 동작을 끌어낼 수 있습니다.
이제 연구원들은 이전에 간과 된 행동의 생물학적 또는 생태적 중요성을 결정하려고 노력하고 있습니다. 그들은 개인이나 남녀 또는 종의 행동이 어떻게 변하는 지, 연령이나 질병으로 행동이 어떻게 분해되는지, 학습 중 또는 진화 과정에서 어떻게 발달하는지 연구하고 있습니다. 그들은 이러한 자동 분류를 사용하여 다른 유전자 돌연변이 및 치료 치료의 행동 효과를 식별하고 사회적 상호 작용을 특성화합니다.
그리고 그들은 뇌와 내부 상태와 첫 번째 연결을 시작했습니다.
뇌 상태와 행동 예측
Datta와 그의 동료들은 선조에서 운동 계획 및 기타 기능을 담당하는 뇌 영역에서 Moseq에 의해 식별 된 다른 음절을 나타내는 다른 뉴런 세트가 발사한다는 것을 발견했습니다. “우리는이 문법이 뇌에 의해 직접 조절된다는 것을 알고 있습니다. "그것은 단지 epiphenomenon이 아니라 뇌가 통제하는 실제 일입니다."
.흥미롭게도, 주어진 음절의 신경 표현이 항상 동일하지는 않았습니다. 대신 음절이 내장 된 시퀀스를 반영하도록 변경되었습니다. 예를 들어, 뉴런의 활동을 살펴보면 Datta는 특정 음절이 매우 고정되었거나 매우 가변적 인 시퀀스의 일부인지 알 수 있습니다. 그는“최고 수준에서 선조체가 행동이 표현되는 것을 인코딩하는 것이 아니라는 것입니다. 또한 표현 된 상황에 대해 말씀 드리고 있습니다.”
그는 선조가 더 이상 제대로 작동하지 않을 때 일어난 일을 테스트 함으로써이 가설을 더욱지지했습니다. 음절 자체는 그대로 남아 있었지만 문법은 스크램블이되었습니다. 일련의 행동 순서는 더 무작위적이고 덜 적응적인 것처럼 보입니다.
다른 연구자들은 더 긴 시간에 뇌에서 무슨 일이 일어나고 있는지보고 있습니다. Emory University의 이론적 생물 생리 학자 인 Gordon Berman은 모션 맵퍼라는 감독되지 않은 분석 기술을 사용하여 모델 행동을 사용합니다. 2 주 전 비엔나 대학교 (University of Vienna)의 연구팀이 발표 한 논문에서 보여준 바와 같이, 계층 구조 내에서 행동을 배치하는이 모델은 뇌에서 계층 적 신경 활동을 예측할 수있다. (Berman은“열망 목표”는 언젠가 모션 맵퍼를 사용하여 동물들 사이의 사회적 상호 작용을 예측하는 것이라고 말합니다.)
그리고 Murthy와 그녀의 팀이 있으며 숨겨진 내부 상태에 대한 검색이 있습니다. 그들은 이전에 파리 움직임의 측정을 사용하여 남성 파리가 언제, 어떻게, 무엇을 노래 할 것인지 예측하는 모델을 만들었습니다. 예를 들어, 남성과 암컷의 거리가 감소함에 따라 수컷은 특정 유형의 노래를 생성하는 데 유익했다는 것을 발견했습니다.
.Nature Neuroscience 에 최근 출판 된 작품에서 , 과학자들은이 모델을 연장하여 남성 파리에 잠재적 인 숨겨진 내부 상태를 포함하여 파리가 생산할 노래에 대한 예측을 개선 할 수있었습니다. 이 팀은 3 개 주를 발견했는데, 그들은“Close”,“Chasing”및“무엇이든”이라고 불렀습니다. 다양한 뉴런을 활성화하고 모델로 결과를 검사함으로써, 그들은 노래 제작을 제어하는 것으로 생각 된 일련의 뉴런이 대신 플라이의 상태를 제어한다는 것을 발견했습니다. Murthy는“이것은 파리의 행동을 위해 뉴런이 무엇을하고 있는지에 대한 다른 해석입니다.
그들은 이제 Sleap과 함께 이러한 발견을 바탕으로하고 있습니다. Pereira는“고해상도 포즈 추적을 통합 할 때이 유형의 모델이 어떤 종류의 숨겨진 상태를 보는 것은 정말 흥미로울 것입니다.
과학자들은 이러한 기술이 전통적인 행동 연구를 향상시키고 보완해야한다는 점에 주목해야합니다. 또한 핵심 행동 원칙이 등장하기 전에 많은 작업이 수행되어야한다는 데 동의합니다. 예를 들어 행동 데이터를 다른 복잡한 유형의 정보와 관련시키기 위해서는 추가 머신 러닝 모델이 필요합니다.
Datta는“이것은이 문제에 대한 생각 측면에서 첫 번째 단계입니다. 그는 "어떤 아이 가이 작업을 수행하는 훨씬 더 나은 방법을 제시 할 것"이라고 의심의 여지가 없습니다. 그럼에도 불구하고“이것에 대한 좋은 점은 우리가 윤리학자가 있었던 곳, 사람들이 서로 논쟁하고 내 설명이 당신보다 더 나은지에 대해 서로 소리 치는 곳에서 벗어나고 있다는 것입니다. 이제 우리는 척도가 있습니다.”
Murthy는“우리는 방법이 우리의 질문을 따라 잡는 시점에 도달하고 있습니다. “그 장애물은 막히 쳤다. 그래서 나는 하늘이 한계라고 생각합니다. 사람들은 원하는 것을 할 수 있습니다.”
편집자 주 :Bob Datta, Jonathan Pillow 및 Adam Calhoun의 작품은 Simons Foundation에 의해 부분적으로 자금을 지원하며,이 편집자 독립 잡지에도 자금을 지원합니다.
워싱턴 대학교의 Tuthill/Brunton Labs, Pierre Karashchuk의 도보 비행의 애니메이션 포즈 모델; anipose.org
