Dans cette interview, les experts de l'industrie Johanna Uhari-Väänänen et Timo Bragge discutent de la façon dont l'apprentissage automatique améliore l'analyse comportementale, la découverte de médicaments et la segmentation de l'IRM dans la recherche en neurosciences, l'amélioration de la précision, de l'efficacité et de l'évolutivité.
Sommaire
Pourriez-vous s'il vous plaît vous présenter?
Johanna Uhari-Väänänen:
Je m'appelle Johanna Uhari-Väänänen, et je suis un chef de groupe en neuropharmacologie à Charles River Labs. Mon expérience de recherche antérieure s'est concentrée sur la toxicomanie et les maladies neurodégénératives. Maintenant, en tant que in vivo Scientifique et directeur de l'étude, je me concentre sur les modèles de maladies du système nerveux central préclinique (SNC) et leur application dans les projets de découverte de médicaments de nos clients.
Timo Bragge:
Je suis Timo Bragge, un scientifique principal des données chez Charles River Labs. J'ai une formation en physique médicale, en particulier l'analyse des mouvements et l'imagerie médicale. Mon travail tourne autour de la conception de systèmes d'analyse de données avancés pour la recherche préclinique du SNC, en se concentrant en particulier sur les études comportementales et les applications d'apprentissage automatique.
Pouvez-vous expliquer pourquoi l'apprentissage automatique est utile en sciences du comportement?
Johanna Uhari-Väänänen:
Les tests comportementaux utilisés dans la recherche en neurosciences et la découverte de médicaments obligent souvent les chercheurs à analyser des comportements spécifiques et un mouvement animal. Traditionnellement, cela se ferait via l'enregistrement vidéo, puis l'annotation manuelle et la notation pour des comportements ou un mouvement sélectionnés. De toute évidence, cette méthode prend beaucoup de temps et sujette aux erreurs et aux biais humains.
L'apprentissage automatique, en revanche, nous permet d'automatiser ce processus. Il peut classer objectivement les comportements, réduire la variabilité du chercheur et fournir des résultats plus rapides et plus fiables. L'apprentissage automatique peut même gérer la surveillance de longue durée, comme les comportements de suivi sur un cycle circadien de 24 heures.
L'apprentissage automatique peut être appliqué dans l'analyse de divers tests et évaluations Behviour, notamment des tests d'apprentissage et de cognition tels que le labyrinthe à eau Morris, des évaluations des fonctions motrices et même de détecter des anomalies subtiles telles que les convulsions ou la congélation. Essentiellement, chaque test qui bénéficie du suivi des animaux peut utiliser une analyse basée sur l'apprentissage automatique.
Crédit d'image: Anucha Tiemsom / Shutterstock.com
Pourriez-vous s'il vous plaît décrire plus en détail ce qu'est l'apprentissage automatique?
Timo Bragge:
L'apprentissage automatique est un outil qui enseigne aux ordinateurs comment apprendre des données sans être explicitement programmé. Contrairement au traitement manuel des données de comportement, qui peuvent être incohérentes, l'apprentissage automatique garantit que la même entrée produit systématiquement la même sortie. Cette fiabilité devient cruciale lors de la mise à l'échelle de grands ensembles de données et permet au traitement parallèle de réduire le temps nécessaire à l'analyse des données complexes.
Notre travail utilise souvent des réseaux de neurones convolutionnels (CNN), qui sont particulièrement utiles pour le traitement d'image. Ces réseaux décomposent les images en composants plus petits et gérables, puis appliquent des filtres pour détecter les modèles, passant de formes simples à des structures plus complexes lorsque vous approfondissez le réseau.
Par exemple, nous utilisons un logiciel DeepLabcut, qui repose sur CNNS, pour suivre le comportement des animaux dans un processus connu sous le nom d'apprentissage supervisé. Nous fournissons d'abord l'algorithme des données connues pour le comportement que nous voulons identifier en annotant les cadres clés dans des vidéos, en marquant des points spécifiques sur le corps de l'animal, comme son nez, ses oreilles ou sa queue. Le logiciel apprend ensuite à suivre ces points pour déterminer les comportements, et cela peut être appliqué automatiquement sur de nouvelles données vidéo.
Pouvez-vous expliquer comment l'apprentissage automatique peut aider la détection des comportements dans la découverte de médicaments en neurosciences?
Johanna Uhari-Väänänen:
En utilisant la méthode, Timo décrit que nous pouvons utiliser rapidement et avec précision l'apprentissage automatique pour analyser les comportements dans une variété de paradigmes de test différents. Par exemple, un test de marche d'équilibrage est couramment utilisé dans nos laboratoires pour examiner les changements dans les mouvements de la marche, de l'équilibre et des membres en mouvement ou en troubles neuromusculaires tels que la maladie de Parkinson. Une souris marche le long d'un faisceau, à côté d'un miroir pour que tous les membres puissent être observés et sont enregistrés sur vidéo. Nous formons ensuite un algorithme pour détecter le placement des membres et pouvons comparer les changements infimes de placement et de démarche entre les groupes témoins, les modèles de maladies et le traitement avec de nouveaux composés. L'utilisation de l'apprentissage automatique nous permet de réduire considérablement le temps pris pour l'analyse et de détecter de très petits changements qui seraient difficiles à reconnaître à l'œil nu.
Une autre application de l'apprentissage automatique que nous avons exploré est la détection des interactions sociales entre les souris dans le test d'interaction sociale à 3 chambres. Ce test est couramment utilisé dans la découverte de médicaments pour les conditions où les comportements sociaux peuvent être altérés, par exemple les troubles du spectre de l'autisme. La configuration expérimentale donne aux souris un choix de passer du temps avec une nouvelle souris ou un nouvel objet, avec le temps passé à interagir avec une autre souris mesurée pour déterminer la sociabilité. L'utilisation de l'apprentissage automatique nous permet d'aller au-delà de la simple détection de l'interaction de base, de plonger profondément dans des comportements plus spécifiques comme l'exploration, les interactions de nez / nez, du nez à la queue et de la suite.
Comment l'apprentissage automatique est-il utilisé dans la segmentation IRM?
Timo Bragge:
L'imagerie par résonance magnétique (IRM) est une technique d'imagerie translationnelle et non invasive que nous utilisons régulièrement dans des projets de découverte de médicaments pour examiner l'anatomie et la structure du cerveau, l'atrophie cérébrale en neurodégénérescence, la formation de lésions, la densité de la substance blanche, les changements vasculaires et les réponses médicamenteuses. Il s'agit d'un outil très valable, mais il génère d'énormes quantités de données qui doivent être traitées pour obtenir les données décisionnelles pour nos clients.
Bien qu'une certaine correction manuelle puisse toujours être nécessaire, l'automatisation fournie par l'apprentissage automatique et le CNNS accélère considérablement l'ensemble du processus, ce qui nous permet de gérer de grands ensembles de données beaucoup plus efficacement. Ceci est particulièrement précieux dans les études où nous devons analyser les analyses prises à différents moments du même animal dans les études longitudinales, par exemple. Il nous permet également d'identifier plus précisément les zones cérébrales spécifiques à travers différents animaux et différents groupes garantissant la cohérence.
À propos de Johanna Uhari-Väänänen
Johanna Uhari-Väänänen a obtenu son doctorat en pharmacologie de l'Université d'Helsinki en 2019, en se concentrant sur les mécanismes cérébraux impliqués dans la dépendance à l'éthanol. Elle a ensuite passé trois ans en tant que chercheur postdoctoral à l'Université d'Helsinki, étudiant les lésions cérébrales traumatiques, la maladie d'Alzheimer et la maladie de Parkinson. En 2022, elle a rejoint Charles River en tant que scientifique in vivo, travaillant avec des modèles animaux pour des conditions liées au SNC.
À propos de Timo Bragge 
Timo Bragge est titulaire d'un MSC en physique médicale de l'Université de Finlande orientale. Il fait partie de Charles River en 2016 et a joué un rôle clé dans le développement de pipelines pour l'analyse avancée des données dans la recherche préclinique sur les modèles animaux des conditions liées au SNC. Son travail englobe la cinématique moteur fine, le comportement et l'imagerie préclinique. Actuellement en tant que principal scientifique des données, Timo dirige l'équipe d'analyse des données.
À propos des laboratoires Charles River
À Charles River, nous sommes passionnés par notre rôle dans l'amélioration de la qualité de la vie des gens. Notre équipe dédiée de neurosciences précliniques CRO scientifiques veut la même chose que vous: trouver un remède pour les maladies dévastatrices du système nerveux central. De la recherche fondamentale à l'approbation réglementaire, nous avons la principale science, la gamme de services et l'approche collaborative dont vous avez besoin pour découvrir et développer de nouvelles thérapies.
Nous comprenons les défis et les complexités dans la recherche de thérapies potentielles pour les troubles neurologiques. La combinaison de nos services et de l'expertise complets de découverte de médicaments en neurosciences soutient la création de solutions personnalisables, innovantes et efficaces pour vos recherches. Notre équipe de neuroscientifiques continue d'établir les plus pertinents in vitro et in vivo Modèles et tests de maladies neurologiques aiguës et chroniques pour aider nos partenaires à identifier et tester de nouveaux composés dans ce domaine difficile.
