Wissenschaftler des Salk Institute haben GlowTrack entwickelt, um das Verhalten von Menschen und Tieren mit höherer Auflösung und mehr Funktionalität zu verfolgen. Bewegung ist ein Einblick in die Funktionsweise des Gehirns und die Steuerung des Körpers. Die Verfolgung der Bewegung von Menschen und Tieren hat einen langen Weg zurückgelegt, von der Beobachtung mit dem Klemmbrett und dem Stift bis hin zu moderner Technologie, die auf künstlicher Intelligenz basiert. Die derzeit fortschrittlichste Methode nutzt künstliche Intelligenz, um die Bewegung verschiedener Körperteile automatisch zu verfolgen. Das Training dieser Modelle ist jedoch immer noch zeitintensiv und die Forscher sind durch die Notwendigkeit, jedes Körperteil hunderte oder tausende Male manuell zu beschriften, eingeschränkt.
Jetzt haben außerordentlicher Professor Eiman Azim und sein Team GlowTrack entwickelt, eine nicht-invasive Bewegungsverfolgungsmethode, die fluoreszierende Farbstoffmarkierungen verwendet, um künstliche Intelligenz zu trainieren. Leistungsstark, zeitsparend und hochauflösend kann GlowTrack eine einzelne Zahl auf einer Mauspfote oder Hunderte von Orientierungspunkten auf einer menschlichen Hand verfolgen.
Diese Technologie wurde am 26. September 2023 in der Zeitschrift Nature Communications veröffentlicht und ihr Anwendungsspektrum umfasst Biologie, Robotik, Medizin und andere Bereiche.
„In den letzten Jahren gab es eine Revolution im Bereich der Verhaltensverfolgung, da leistungsstarke Werkzeuge der künstlichen Intelligenz ins Labor gebracht wurden“, sagte der leitende Autor Azim, William Scandling-Professor für Entwicklung. „Unsere Methode macht diese Werkzeuge vielseitiger und verbessert die Art und Weise, wie wir eine Vielzahl von Bewegungen im Labor erfassen. Eine bessere Quantifizierung der Bewegung könnte uns zu einem besseren Verständnis darüber verhelfen, wie das Gehirn das Verhalten steuert, und könnte bei der Untersuchung von Bewegungsstörungen wie Amyotropher Lateralsklerose (ALS) und der Parkinson-Krankheit helfen.“
Aktuelle Methoden zur Erfassung von Tierbewegungen erfordern häufig, dass Forscher Körperteile manuell und wiederholt auf einem Computerbildschirm annotieren – ein Prozess, der zeitaufwändig, anfällig für menschliches Versagen und zeitlich begrenzt ist. Manuelle Annotation bedeutet, dass diese Methoden oft nur in kleinen Testumgebungen eingesetzt werden können, da sich KI-Modelle auf die begrenzten Trainingsdaten spezialisieren, die sie erhalten. Wenn sich beispielsweise die Beleuchtung, die Ausrichtung des Tierkörpers, der Kamerawinkel oder ein anderer Faktor ändert, kann das Modell den verfolgten Körperteil nicht mehr identifizieren.
Um diese Einschränkungen zu beseitigen, verwenden Forscher Fluoreszenzfarbstoffe, um verschiedene Teile von Tieren oder Menschen zu markieren. Mit diesen „unsichtbaren“ fluoreszierenden Farbstoffmarkierungen können schnell große Mengen visuell vielfältiger Daten erstellt und in Modelle der künstlichen Intelligenz eingespeist werden, ohne dass menschliche Anmerkungen erforderlich sind. Sobald diese Modelle mit diesen aussagekräftigen Daten gefüttert werden, können sie dazu verwendet werden, Bewegungen in vielfältigeren Umgebungen mit einer Auflösung zu verfolgen, die mit menschlichen Anmerkungen nur schwer zu erreichen ist.
Dies eröffnet die Möglichkeit, Bewegungsdaten zwischen Studien zu vergleichen, da verschiedene Labore dasselbe Modell verwenden können, um Körperbewegungen in verschiedenen Situationen zu verfolgen. Azim glaubt, dass Vergleich und Wiederholbarkeit von Experimenten im wissenschaftlichen Entdeckungsprozess von entscheidender Bedeutung sind.
„Fluoreszierende Farbstoffmarkierungen sind die perfekte Lösung“, sagte der Erstautor Daniel Butler, ein Bioinformatik-Analyst bei Salk. „Unsere Fluoreszenzfarbstoff-Tags sind wie die unsichtbare Tinte auf einem Dollarschein, die nur dann aufleuchtet, wenn Sie es möchten. Unsere Fluoreszenzfarbstoff-Tags können im Handumdrehen ein- oder ausgeschaltet werden, sodass wir große Mengen an Trainingsdaten generieren können.“
Das Team freut sich, in Zukunft verschiedene Anwendungen von GlowTrack zu unterstützen und seine Fähigkeiten mit anderen Tracking-Tools zu kombinieren, die dreidimensionale Bewegungen rekonstruieren können, und Analysemethoden, die Muster in diesen großen Bewegungsdatensätzen untersuchen können.
„Unser Ansatz könnte vielen Bereichen zugute kommen, die empfindlichere, zuverlässigere und umfassendere Werkzeuge zur Erfassung und Quantifizierung von Bewegung benötigen“, sagte Azim. „Ich bin gespannt, wie andere Wissenschaftler und Nicht-Wissenschaftler diese Methoden übernehmen und welche einzigartigen, unvorhergesehenen Anwendungen daraus entstehen könnten.“