اقترح معهد شنتشن للتكنولوجيا المتقدمة التابع للأكاديمية الصينية للعلوم SBeA، الذي يحلل السلوك الاجتماعي للحيوان بناءً على إطار التعلم من بضع لقطات
تفرد الطيور أجنحتها، ويتجمع الذئاب حول زعيمهم، ويربي البطريق صغارهم معًا... ما معنى السلوك الاجتماعي للحيوانات؟ هل يكشف تقدم التكاثر والافتراس والدفاع وإنشاء التسلسل الهرمي الاجتماعي عن عملية التطور البشري خطوة بخطوة؟
إن دراسة هذه الأسئلة، المعروفة باسم السلوك الاجتماعي للحيوان، يمكن أن تساعد في تسليط الضوء على دور وظائف المخ والاضطرابات العقلية في التفاعلات من خلال تحديد السلوكيات وتصنيفها بدقة. وفي الوقت نفسه، تلعب نماذج البحث في السلوك الاجتماعي للحيوان أيضًا دورًا مهمًا في دراسة الاضطرابات الاجتماعية البشرية، وهي أعراض شائعة جدًا لأمراض مثل التوحد والاكتئاب واضطراب القلق الاجتماعي.
في الماضي، كانت دراسة وفهم السلوك الاجتماعي للحيوانات محدودة بسبب عدم كفاية البيانات الموضحة. على الرغم من أن تقنيات التعلم العميق مثل DeepLabCut متعدد الحيوانات وSLEAP وAlphaTracker توفر أدوات قوية لشرح البيانات، فإن تطبيقها في السيناريوهات التجريبية محدود بسبب توافر مجموعات بيانات معيارية عالية الجودة. غالبًا ما تفشل مجموعات البيانات الحالية لتقدير وضع الحيوانات المتعددة في تغطية النطاق الواسع من نماذج اختبار السلوك الاجتماعي. ويحد هذا من نطاق وعمق البحث، حيث قد لا يتم أخذ السلوكيات عبر الأنواع أو في بيئات مختلفة في الاعتبار بشكل كامل.
إن أبحاث سلوك الحيوان تحتاج بشكل عاجل إلى تحسين كفاءة البحث ودقته من خلال الابتكار التكنولوجي. وبناء على هذا،تم إنشاء مشروع SBeA (أطلس السلوك الاجتماعي) وتم تطويره من قبل معاهد شنتشن للتكنولوجيا المتقدمة التابعة للأكاديمية الصينية للعلوم. يمكنه قياس سلوك الحيوانات الحرة بشكل شامل، واستخدام عدد صغير من الإطارات المسمى (حوالي 400 إطار) لتقدير الوضع ثلاثي الأبعاد للعديد من الحيوانات، ومن خلال استراتيجية التعلم بالتحويل ثنائي الاتجاه، تتجاوز دقة التعرف على هوية الحيوانات المتعددة 90%.ونشرت النتائج ذات الصلة في مجلة Nature.
رابط الورقة:
الهيكلان الرئيسيان لـ SBeA: تتبع الوضعية ورسم خريطة السلوك
لقياس سلوك الحيوانات الحرة بشكل شامل، تتضمن المهام الرئيسية لـ SBeA تتبع الوضعيات ثلاثية الأبعاد ورسم خرائط السلوك الاجتماعي.
تتبع الوضعيات ثلاثية الأبعاد: السلوك الاجتماعي للحيوانات المتعددة والتعرف على الهوية
تظهر عملية تتبع الوضع ثلاثي الأبعاد في الشكل أعلاه:
أولاً، تم استخدام مجموعة من الكاميرات لالتقاط فيديو للسلوك الاجتماعي الحر للفأرين. تم تقسيم هذه العملية إلى مرحلتين. ركزت المرحلة الأولى على التقاط التفاعلات الاجتماعية الحرة بين الفئران، في حين هدفت المرحلة الثانية إلى تحديد وتسجيل هوية كل فأر أثناء هذه التفاعلات، باستخدام صور رقعة الشطرنج للمعايرة أثناء التقاط الفيديو.
بعد ذلك، تمت شرح ملامح الحيوانات المتعددة التي تم جمعها ومواقف الحيوانات الفردية بالتفصيل وإدخالها في الشبكة العصبية الاصطناعية متعددة المراحل للتحليل. تظهر نتائج الإخراج في الشكل د وتنقسم إلى ثلاثة أجزاء:
* إخراج مقاطع فيديو بالذكاء الاصطناعي، ومواقف الحيوانات المتعددة، ومعلومات هوية الحيوانات المتعددة؛
* إعادة بناء ثلاثية الأبعاد للفيديو والوضعية ومعلومات الهوية جنبًا إلى جنب مع معلمات معايرة الكاميرا؛
* عرض مرئي لوضعية ثلاثية الأبعاد مع معلومات الهوية.
رسم خرائط السلوك: تمثيل منخفض الأبعاد للزمان والمكان
تظهر عملية رسم خريطة السلوك الاجتماعي في الشكل أعلاه:
التحلل الديناميكي المتوازي: مسارات ثلاثية الأبعاد خام لفأرين، وتحليلها إلى الحركة (الحركة الجسدية مثل المشي والجري والقفز والتسلق)، والحركة غير الحركية (الحركة التي لا تنطوي على تغييرات في وضع الجسم بالكامل في الفضاء، مثل هز الذيل أو هز الأذن أو تغييرات في وضع الجسم)، ومسافة الجسم (المسافة الجسدية بين حيوانين أو أكثر).
من أجل الحصول على فهم أعمق لتوزيع الميزات داخل وحدة السلوك الاجتماعي، يتم تحويل ميزات المسار الثلاثة المستخرجة إلى تمثيلات مكانية وزمانية. يتم التقاط المستوى المكاني من خلال ميزات مسافة التضمين منخفضة الأبعاد في SBeA (كما هو موضح على الجانب الأيسر من الشكل f)، ويتم تمثيل المستوى الزمني من خلال الرسم البياني للسلوك الاجتماعي (كما هو موضح على الجانب الأيمن من الشكل f).
تدريب SBeA: التعلم الانتقالي ثنائي الاتجاه والتعلم غير الخاضع للإشراف
التعلم بالنقل ثنائي الاتجاه: التعرف على الحيوانات المتعددة دون وضع علامات عليها
أثناء السلوك الاجتماعي الحر للحيوانات، غالبًا ما تحجب الحيوانات من نفس النوع بعضها البعض، مما يؤدي إلى تعليقات تعريف يدوية غير دقيقة. ولمعالجة هذا التحدي، اقترح الباحثون استخدام التعلم بالنقل ثنائي الاتجاه في SBeA (الشكل أ أدناه)، أي أنه يمكن نقل نموذج تقسيم الحيوانات المتعددة المدرب إلى مقاطع فيديو لحيوان واحد، ويمكن أيضًا نقل نموذج التعريف بالحيوان الواحد المدرب إلى تعريف متعدد الحيوانات، مما يقلل بشكل كبير من عبء العمل المتمثل في وضع العلامات على هويات الحيوانات يدويًا.
تتضمن طرق التدريب باستخدام التعلم بالتحويل ثنائي الاتجاه ما يلي:
* إعادة استخدام نموذج التجزئة (الشكل ب):استخدم مجموعة من الكاميرات لالتقاط تدفقات فيديو للحيوانات، واستخدم نموذج VisTR المدرب (VIS مع المحولات) لتقسيم حالات فيديو الحيوانات الفردية، واحصل على بيانات من زوايا متعددة.
* تدريب نموذج التعرف على حيوان واحد (الشكل ج):قص البيانات ودمجها وتغيير حجمها واستخدام EfficientNet باعتباره العمود الفقري لتدريب نموذج التعرف على هوية الحيوانات المتعددة.
* تقسيم الحيوانات المتعددة وإعادة الإسقاط ثلاثي الأبعاد (الشكل د):قم بإعادة إسقاط أقنعة كل عرض كاميرا، وقم بقص هذه البيانات ودمجها وتغيير حجمها، ثم أدخلها في نموذج التعرف على هوية الحيوانات المتعددة.
* إعادة استخدام نموذج التعرف على الهوية (الشكل هـ):إعادة استخدام نموذج التعريف بالحيوان الفردي المدرب في التعريف بالحيوانات المتعددة.
تتضمن هذه العملية معالجة معقدة للصور وتحويل البيانات لاستخراج معلومات فعالة من وجهات نظر ومواقف مختلفة، وفي النهاية التنبؤ بالنتائج البصرية لهوية الحيوان ووضعيته ثلاثية الأبعاد.
لتقييم أداء التعرف على SBeA، سجل الباحثون السلوك الاجتماعي الحر للفئران المذكورة أعلاه وقاموا يدويًا بالتحقق من الصور المعاد إسقاطها والمواقف ثلاثية الأبعاد إطارًا بإطار. وأظهرت النتائج أنه على الرغم من أن دقة التعرف على بعض الفئران الفردية كانت منخفضة، إلا أن الدقة الإجمالية في التعرف على أزواج الفئران كانت أعلى من 0.85.
التعلم غير الخاضع للإشراف: الكشف عن بنية السلوك الاجتماعي
في تطبيقات التعلم غير الخاضعة للإشراف، لا تعتمد الخوارزميات على البيانات المصنفة أو المصنفة مسبقًا؛ وبدلاً من ذلك، فإنهم يحاولون اكتشاف الأنماط والعلاقات مباشرة من البيانات.
في هذه الدراسة، يقوم التعلم غير الخاضع للإشراف بتحليل البنية الديناميكية للسلوك باستخدام نواة محاذاة الوقت الديناميكية (DTAK)، ويستخدم الإضافة المنطقية لدمج نقاط الوقت المتحللة لتحويل مسارات الوضع المستمر إلى وحدات سلوك اجتماعي منفصلة، كما هو موضح في الشكل أدناه.
تم استخدام مجموعة البيانات PAIR-R24M لإجراء التحقق المشرف على SBeA. وأظهرت النتائج أننجحت هذه الدراسة في قياس أداء التجميع لوحدة السلوك الاجتماعي، ويمكن لـ SBeA تصنيف السلوكيات الاجتماعية بشكل فعال.
SBeA: الدقة + التنوع
دقة SBeA: دراسات سلوكية في الفئران التي فقدت جين Shank3B
ولاستكشاف ما إذا كان جين SbeA قادرًا على اكتشاف الاختلافات في السلوك الاجتماعي على المستوى الجيني، أجرى الباحثون تجارب باستخدام الفئران. أظهرت الفئران التي تم إزالة جين Shank3B منها سلوكيات توحدية فردية، ولكن قيود التكنولوجيا الحالية تجعل من الصعب علينا أن نفهم سلوكها الاجتماعي الحر غير الطبيعي بشكل كامل. ومن خلال تحليل SBeA، وجد فريق البحث أن هناك فروقًا كبيرة في السلوك الاجتماعي بين فئران Shank3B الخاضعة للضربة القاضية (KO) والفئران العادية (النوع البري، WT).
كانت هناك ثلاث مجموعات من الفئران التجريبية: KO-KO، وWT-WT، وWT-KO. وتظهر النتائج في الشكل أدناه. أظهرت مجموعة WT-WT سلوكيات اجتماعية أكثر مرونة، وأظهرت مجموعة KO-KO سلوكيات اجتماعية غير طبيعية أكثر من مجموعة WT-WT، وأظهرت مجموعة WT-KO تفاعلات اجتماعية أقرب من مجموعة WT-WT.
وفي الوقت نفسه، تم استخدام SBeA لتحديد وتمييز وحدات السلوك الاجتماعي الدقيقة بين فئران KO وفئران WT. ومن خلال تحليل المجموعات، تم دمج هذه الوحدات في 9 سلوكيات اجتماعية رئيسية، بما في ذلك الالتفاف، والسلوك الاستكشافي، والشم بين الأقران، والاستمالة المستقلة.
وتتمثل السلوكيات الاجتماعية للمجموعات الثلاث فيما يلي:
أظهرت مجموعة WT-WT (الخضراء) المزيد من السلوكيات التنظيمية والاستكشافية، مما يعكس السلوك الاجتماعي الإيجابي.
أظهرت مجموعة KO-KO (البرتقالية) سلوكيات اجتماعية غير طبيعية أكثر، وقدرة حركية أقل، وحداثة اجتماعية، وقد تكون هذه السلوكيات غير الطبيعية مؤشرا على السلوك المعادي للمجتمع.
كانت السلوكيات الاجتماعية التي لوحظت في مجموعة WT-KO (اللون الأرجواني) تتمثل بشكل رئيسي في الشم بين الأقران والعناية المستقلة. كان شم الرفيق أكثر شيوعًا في الفئران البرية الفضولية، وقد يكون الاستمالة المستقلة سلوكًا تقليديًا لفئران KO على الفئران البرية.
تشير هذه النتيجة إلى أن SBeA لا يستطيع التمييز بين السلوكيات الاجتماعية للحيوانات المتحولة وراثيًا فحسب، بل يمكنه أيضًا تحديد وحدات السلوك الاجتماعي الدقيقة المرتبطة بالطفرات الجينية.
عالمية SBeA: تحليل في أنواع وبيئات مختلفة
لتقييم إمكانية تعميم SBeA عبر أنواع حيوانية مختلفة وفي إعدادات تجريبية، أجرى فريق البحث دراسات باستخدام الطيور والكلاب.
ولزيادة صعوبة اختبار SBeA، تم جعل الحيوانات في التجربة تبدو متشابهة قدر الإمكان. ومن خلال ربط بيانات الطيور والكلاب على خريطة السلوك الاجتماعي، حددت الدراسة 34 و15 فئة سلوك اجتماعي تتوافق مع الطيور والكلاب على التوالي (الشكلان ج و ز)، وتصورت حالاتهم النموذجية في صورة ثلاثية الأبعاد (الشكلان د و ح).
وتظهر النتائج أن تتبع وضعية الطيور ثلاثي الأبعاد بواسطة SBeA يمكنه تحديد حركة مخالبها التي تلامس ريش ذيلها، كما يمكن لتتبع وضعية الكلاب ثلاثي الأبعاد التعامل مع مواقف الانسداد مثل الاستلقاء.
مزايا SBeA: إطار عمل تعليمي قصير
في عام 2021، أمضى فريق وي بينجفي في معهد شنتشن للتكنولوجيا المتقدمة عامين في استخدام معدات جمع السلوك التي تم تطويرها بشكل مستقل للحصول على أوضاع الحركة ثلاثية الأبعاد للحيوانات. وبناءً على البنية الهرمية الشبيهة باللغة لسلوك الحيوان، اقترحوا نموذجًا لتحليل سلوك الحيوان الهرمي، والذي قام بتبسيط السلوكيات المستمرة والمعقدة إلى وحدات عمل يمكن للناس فهمها. وقد أجرت هذه الدراسة التعرف السلوكي على الفئران النموذجية المصابة بالتوحد ونجحت في تحقيق التعرف التلقائي والدقيق على الانحرافات السلوكية المميزة لديهم على مستوى دون الثانية.
إن هندسة SBeA في هذه المقالة هي توسعة أخرى لـ "أطلس السلوك"، وهو إطار عمل لخريطة سلوك الحيوان العامة ثلاثية الأبعاد تم اقتراحه في عام 2021، لتصنيف السلوكيات الاجتماعية الحيوانية.
يتطلب إطار التعلم ذو اللقطات القليلة الذي يستخدمه SBeA عددًا قليلًا نسبيًا من الإطارات الموضحة يدويًا لتقدير وضعية الحيوانات المتعددة ثلاثية الأبعاد، مما يتيح التعرف على الهوية بدون تسميات وتطبيق التعلم غير الخاضع للإشراف لتصنيف السلوك الاجتماعي. تعمل استراتيجيات توليد البيانات هذه على تقليل الاعتماد على مجموعات البيانات واسعة النطاق والمصنفة على نطاق واسع، ويمكن تطبيقها على كميات أكبر من البيانات غير المصنفة.
إن أطر التعلم قليلة اللقطات، مثل التعلم بالتحويل (الاستفادة من نموذج مدرب مسبقًا على مجموعة بيانات كبيرة ثم ضبطه بدقة ليناسب مجموعة بيانات أصغر لمهمة محددة) وزيادة البيانات (إنشاء نقاط بيانات جديدة من البيانات الموجودة باستخدام تقنيات مثل القص أو التدوير أو تعديل اللون لزيادة حجم مجموعة البيانات التدريبية)، لديها إمكانات كبيرة وأصبحت تحظى بشعبية متزايدة في أبحاث الذكاء الاصطناعي.
مراجع:
1.https://www.nature.com/articles/s42256-023-00776-5
2.https://www.siat.ac.cn/kyjz2016/202401/t20240109_6952837.html