Des scientifiques de la Graduate School of Information Science and Technology de l’Université d’Osaka ont utilisé le suivi de la localisation des animaux avec l’intelligence artificielle pour détecter automatiquement les comportements de marche des troubles du mouvement qui sont partagés entre les espèces. En supprimant automatiquement les caractéristiques spécifiques à l’espèce des données de marche, les données résultantes peuvent être utilisées pour mieux comprendre les troubles neurologiques qui affectent le mouvement.
Les algorithmes d’apprentissage automatique, en particulier les approches d’apprentissage en profondeur qui utilisent plusieurs couches de neurones artificiels, sont bien adaptés pour faire la distinction entre différentes sources de données. Par exemple, ils peuvent déterminer l’espèce en fonction des caractéristiques de ses traces laissées dans la neige. Cependant, il arrive parfois que les scientifiques se soucient davantage de ce qui est identique, plutôt que de ce qui est différent, dans divers ensembles de données. Cela peut être le cas lorsque vous essayez d’agréger les lectures de différents types d’animaux.
Aujourd’hui, une équipe de scientifiques dirigée par l’Université d’Osaka a utilisé l’apprentissage automatique pour obtenir des modèles à partir de données de locomotion créées par des vers, des coléoptères, des souris et des sujets humains indépendants de l’espèce.
Un objectif central de l’analyse comportementale comparative est d’identifier les répertoires comportementaux de type humain chez les animaux. »
Takuya Maekawa, premier auteur
Cette méthode peut aider les scientifiques à étudier les conditions neurologiques humaines qui provoquent des dysfonctionnements moteurs, y compris ceux résultant de faibles niveaux de dopamine. Les données de mouvement des animaux généreraient beaucoup plus d’informations ; cependant, les échelles spatiales et temporelles de la locomotion animale varient considérablement d’une espèce à l’autre. Cela signifie que les données ne peuvent pas être directement comparées au comportement humain. Pour surmonter cela, l’équipe a conçu un réseau de neurones avec une couche d’inversion de gradient qui prédit a) si les données de locomotion d’entrée provenaient ou non d’un animal malade et b) de quelle espèce provenaient les données d’entrée. À partir de là, le réseau a été formé de manière à ne pas pouvoir prédire les espèces à partir desquelles les données d’entrée ont été recueillies, ce qui a entraîné la création d’un réseau incapable de distinguer les espèces mais capable d’identifier des maladies spécifiques. Cela a permis au réseau d’extraire les caractéristiques de locomotion inhérentes à la maladie.
Leurs expériences ont révélé des caractéristiques de locomotion inter-espèces partagées par les vers, les souris et les humains déficients en dopamine. Malgré leurs différences évolutives, tous ces organismes sont incapables de se déplacer tout en maintenant des vitesses élevées. De plus, la vitesse de ces animaux s’est avérée instable lors de l’accélération. Il est intéressant de noter que ces animaux présentent des troubles du mouvement similaires dans le cas d’un déficit en dopamine, même s’ils ont des échelles corporelles et des méthodes de locomotion différentes. Alors que des études antérieures avaient montré qu’une carence en dopamine était associée à des troubles du mouvement chez toutes ces espèces, cette recherche a été la première à identifier les caractéristiques de locomotion partagées causées par cette carence.
« Notre projet montre que l’apprentissage en profondeur peut être un outil puissant pour extraire des connaissances à partir d’ensembles de données qui semblent trop différents pour être comparés par des chercheurs humains », a déclaré l’auteur Takahiro Hara. L’équipe prévoit que ce travail sera utilisé pour trouver d’autres caractéristiques communes des troubles qui ont un impact sur des espèces distantes sur le plan de l’évolution.
