AI-vezérelt marker nélküli NHP 3D viselkedéselemző rendszer|Prisys Biotech

Az emberhez hasonló neuroanatómiai és kognitív hasonlóságaik miatt a főemlősök (NHP) nélkülözhetetlen modellek a magasabb agyi funkciók és neurológiai rendellenességek tanulmányozásához. Azonban továbbra is jelentős kihívás marad természetes viselkedésük non-invazív rögzítése és számszerűsítése.

Akövetkező-generációs NHP viselkedéselemző rendszerA Prisys Biotech integrálja a számítógépes látást, a mély tanulást és a 3D rekonstrukciós technológiákat. Ez a konvergencia lehetővé teszi az állatok viselkedésének automatizált, szemcsés és több-dimenziós elemzését, ami átmenetet jelent a kvalitatív leírásról a precíz kvantitatív elemzésre a preklinikai kutatásban.

Rendszerünk három technológiai pillérre épül, amelyek célja az adatok integritásának és az állatok jólétének maximalizálása.

1. Markerless Design: A természetes viselkedés és jólét prioritása

• Technológiai alapelv:A rendszer szükségtelenné teszi a fényvisszaverő markereket vagy hordható érzékelőket. A nagy-felbontású videofolyamokat használó fejlett mélytanulási algoritmusok valós időben észlelik és követik nyomon az anatómiai kulcspontokat közvetlenül a nyers felvételből.
• Tudományos érték:A fizikai markerek eltávolításával kiküszöböljük az esetleges kényelmetlenséget, viselkedési gátlást vagy a markerleválás kockázatát. Ez biztosítja, hogy az állatok természetes állapotban maradjanak, jelentősen növelve az adatok ökológiai érvényességét, és betartják a legmagasabb állatetikai és állatjóléti szabványokat.

2. Több-nézet szinkronizált 3D követés: a 2D síkon túl

• Technológiai alapelv:Több szinkronizált, nagy{0}}képkockasebességű-kamerát alkalmazunk, hogy különböző szögekből rögzítsük a viselkedést. A több-nézetű geometriai és rekonstrukciós algoritmusok egyesítik ezeket a 2D bemeneteket, hogy valós idejű-3D vázszerkezeteket és térbeli pályákat hozzanak létre.
• Tudományos érték:A kutatók hozzáférhetnek a viselkedés teljes térbeli rekonstrukciójához. Az egyszerű 2D hőtérképeken túl a rendszer olyan összetett kinematikai paramétereket is számszerűsít, mint az ízületi szögek (pl. térdhajlítás), a végtagpályák és a testtartás dinamikája. Ez az adatmélység kritikus fontosságú a járási rendellenességek, a motoros koordináció és a finommotorikus készségek hagyományos módszerekkel elérhetetlen pontossággal történő elemzéséhez.

3. Mélytanuláson-alapú felismerés: a kinematikától a szemantikáig

• Technológiai alapelv:Az annotált viselkedési videók kiterjedt adatkészletére kiképzett mély neurális hálózataink túlmutatnak a csontváz követésen, és automatikusan osztályozzák a diszkrét viselkedési eseményeket (pl. séta, mászás, megfogás, ápolás). A rendszer rögzíti ezen események időbeli sorrendjét, gyakoriságát és időtartamát.
• Tudományos érték:Ez a nyers kinematikai adatokat biológiailag értelmes viselkedési betekintésekké alakítja. Lehetővé teszi az "etogramok" automatikus generálását és az időbeli viselkedési minták elemzését. A rendszer fejlődő mesterséges intelligencia algoritmusai biztosítják a felismerési pontosság folyamatos javítását, lehetővé téve a betegség progressziójából vagy farmakológiai beavatkozásból eredő finom fenotípusos változások észlelését.

Ezt a rendszert jelenleg a hatékonyság értékelésére használják különféle idegtudományi és betegségmodell-kontextusokban:

• Mozgási zavarok (Parkinson-kór, SCI):A járási paraméterek (lépéshossz, ritmus, szimmetria), tremor amplitúdó, bradykinesia és testtartási stabilitás pontos számszerűsítése objektív biológiai végpontokat biztosít a neuroprotektív szerek vagy sejtterápiák értékeléséhez.
• Fájdalomkutatás és fájdalomcsillapítás:A spontán fájdalommal -kapcsolódó viselkedések-objektív azonosítása, mint például a göndörítés, őrzés, súly-elkerülése és a helyspecifikus karcolás-helyre szabott-a 3D mozgáselemzéssel kombinálva a fájdalom általános aktivitásra és mobilitásra gyakorolt ​​hatásának felmérésére.

Neuropszichiátriai modellek:

• Szorongás/félelem:A feltárás elemzése nyílt-terepi tesztekben, a befagyasztás időtartama és a kockázatfelmérés{1}}viselkedései.
• Motiváció/Anhedonia:A jutalmakkal (étel, társas interakció), az erőfeszítés ráfordításával és a reakciósebességgel kapcsolatos megközelítési magatartások számszerűsítése.
• Autoimmun betegségek (pl.Rheumatoid arthritis):Az ízületi gyulladáson túl a rendszer létrehoz egy „Betegségviselkedés-etogramot”, amely elemzi a kompenzációs motoros funkciókat és a fájdalom okozta viselkedésbeli változásokat, és új dimenziót kínál az életminőség-javulás{1}}értékeléséhez.

A platform rugalmas architektúrája támogatja azokat az alkalmazásokat, amelyek jóval túlmutatnak a jelenlegi szabványos modelleken:

• Szociális idegtudomány:Az alanyok közötti távolság, a tájékozódás és az interakciós minták követése-több-állatban a társadalmi hierarchia, az agresszió és a pro-szociális viselkedés idegi mechanizmusainak tanulmányozása érdekében.
• Alvás és cirkadián ritmusok:az alvás architektúrájának és ébrenlétének finom{0}}elemzése, amely kritikus fontosságú a neurodegeneratív betegségek cirkadián zavarainak és alvási problémáinak tanulmányozásában.
• Finom motorvezérlés:Az ujjmozgások és az objektummanipuláció nagy pontosságú
• Több-modális adatfúzió:A rendszer nagy-precíziós időbélyegei ezredmásodperces-szintű szinkronizálást tesznek lehetővé EEG-vel, EMG-vel, idegi képalkotással és in vivo idegi felvételekkel. Ez a képesség megkönnyíti a zárt-hurkú elemzést, közvetlenül összekapcsolva a viselkedési kimeneteket a mögöttes idegi áramköri tevékenységgel.

AAI-alapú marker nélküli 3D viselkedéselemző rendszerA Prisys Biotech módszertani előrelépést jelent az idegtudományban. Azáltal, hogy megszabadítja a kutatókat a munkaigényes és szubjektív pontozástól, objektív, nagy{2}dimenziós adatkészleteket biztosít. A marker nélküli nyomon követés és a mély tanulás zökkenőmentes integrációja révén ez a rendszer áthidalja a szakadékot a komplex NHP viselkedés és a neurális mechanizmusok között, felgyorsítva az alapvető tudományos felfedezések hatékony klinikai terápiákká való átültetését.