Neues Deep-Learning-Modell verwendet Video zur Messung der embryonalen Entwicklung

28. Mai 2024

Dieser Artikel wurde gemäß des redaktionellen Verfahrens und der Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Merkmale hervorgehoben, um die Glaubwürdigkeit des Inhalts sicherzustellen:

• faktengeprüft
• peer-reviewed Publikation
• vertrauenswürdige Quelle
• lektoriert

von der Universität Plymouth

Eine von der Universität Plymouth geleitete Forschung hat gezeigt, dass ein neues Modell des Deep Learning AI identifizieren kann, was während der embryonalen Entwicklung passiert und wann, aus Video.

Veröffentlicht in der Zeitschrift für Experimentelle Biologie, zeigt die Studie mit dem Titel 'Dev-ResNet: Automatisierte Entwicklungsereigniserkennung mit Hilfe von Deep Learning', wie das Modell, bekannt als Dev-ResNet, das Auftreten von Schlüsselereignissen in der Entwicklung von Teichschnecken, einschließlich Herzfunktion, Kriechen, Schlüpfen und sogar Tod identifizieren kann.

Eine wichtige Innovation in dieser Studie ist der Einsatz eines 3D-Modells, das die Veränderungen zwischen den Frames des Videos nutzt und es der KI ermöglicht, aus diesen Merkmalen zu lernen, im Gegensatz zum traditionelleren Einsatz von Standbildern.

Die Verwendung von Video bedeutet, dass Merkmale, die von dem ersten Herzschlag oder dem Kriechverhalten, über die Schalenbildung oder das Schlüpfen reichen, zuverlässig von Dev-ResNet erkannt werden, und hat Empfindlichkeiten verschiedener Merkmale gegenüber Temperaturen aufgedeckt, die bisher nicht bekannt waren.

Obwohl es in dieser Studie bei Teichschneckenembryos verwendet wurde, sagen die Autoren, dass das Modell eine breite Anwendbarkeit über alle Arten hinweg hat, und sie bieten umfassende Skripte und Dokumentationen für die Anwendung von Dev-ResNet in verschiedenen biologischen Systemen an.

In Zukunft könnte die Technik dazu beitragen, das Verständnis darüber zu beschleunigen, wie der Klimawandel und andere externe Faktoren Menschen und Tiere beeinflussen.

Die Arbeit wurde von dem Doktoranden Ziad Ibbini geleitet, der an der Universität den Bachelor in Conservation Biology studierte, bevor er ein Jahr Auszeit nahm, um sich in der Softwareentwicklung weiterzubilden, und dann seine Promotion begann. Er entwarf, trainierte und testete Dev-ResNet selbst.

Er sagte: 'Entwicklungsereignisse abzugrenzen - also herauszufinden, was wann in der frühen Entwicklung eines Tieres passiert - ist eine große Herausforderung, aber unglaublich wichtig, da es uns hilft, Veränderungen im Zeitpunkt der Ereignisse zwischen Arten und Umwelten zu verstehen.

'Dev-ResNet ist ein kleines und effizientes 3D-Faltungsneuronales Netzwerk, das in der Lage ist, Entwicklungsereignisse mit Hilfe von Videos festzustellen und kann relativ einfach auf handelsüblicher Hardware trainiert werden.

'Die einzigen wirklichen Einschränkungen bestehen darin, die Daten zur Ausbildung des Deep-Learning-Modells zu erstellen - wir wissen, dass es funktioniert, man muss ihm nur die richtigen Trainingsdaten geben.

'Wir wollen die wissenschaftliche Gemeinschaft mit den Werkzeugen ausstatten, die es ihnen ermöglichen, besser zu verstehen, wie die Entwicklung einer Art von verschiedenen Faktoren beeinflusst wird, und somit zu identifizieren, wie wir sie schützen können. Wir denken, dass Dev-ResNet ein bedeutender Schritt in diese Richtung ist.'

Dr. Oli Tills, der leitende Autor des Artikels und ein UKRI Future Leaders Research Fellow, fügte hinzu: 'Diese Forschung ist auf technologischer Ebene wichtig, aber sie ist auch bedeutend für die Weiterentwicklung unserer Wahrnehmung der organismischen Entwicklung - etwas, das die Universität von Plymouth innerhalb der Ecophysiology and Development Research Group seit mehr als 20 Jahren erforscht.

'Dieser Meilenstein wäre ohne Deep Learning nicht möglich gewesen, und es ist aufregend zu denken, wohin uns diese neue Fähigkeit bei der Untersuchung von Tieren während ihrer dynamischsten Lebensphase führen wird.'

Informationen zur Zeitschrift: Zeitschrift für Experimentelle Biologie

Bereitgestellt von Universität Plymouth