Le nouveau modèle d'apprentissage en profondeur utilise la vidéo pour mesurer le développement embryonnaire

28 mai 2024

Cet article a été revu conformément au processus éditorial de Science X et à ses politiques. Les rédacteurs ont souligné les attributs suivants tout en assurant la crédibilité du contenu :

• vérifié les faits
• publication évaluée par des pairs
• source fiable
• relu

par l'Université de Plymouth

Une recherche menée par l'Université de Plymouth a montré qu'un nouveau modèle d'IA d'apprentissage profond peut identifier ce qui se passe et quand pendant le développement embryonnaire, à partir d'une vidéo.

Publiée dans le Journal of Experimental Biology, l'étude, intitulée "Dev-ResNet : Détection automatique d'événements de développement en utilisant l'apprentissage profond", souligne comment le modèle, connu sous le nom de Dev-ResNet, peut identifier l'apparition d'événements de développement fonctionnels clés chez les escargots de mare, y compris la fonction cardiaque, le rampement, l'éclosion et même la mort.

Une innovation clé de cette étude est l'utilisation d'un modèle 3D qui utilise les changements survenant entre les images de la vidéo, et permet à l'IA d'apprendre de ces caractéristiques, contrairement à l'utilisation plus traditionnelle d'images fixes.

L'utilisation de vidéo signifie que des caractéristiques allant du premier battement de cœur, ou du comportement de rampement, à la formation de la coquille ou à l'éclosion sont détectées de manière fiable par Dev-ResNet, et ont révélé des sensibilités de différentes caractéristiques à la température jusqu'alors inconnues.

Bien qu'utilisé dans les embryons d'escargots de mare pour cette étude, les auteurs affirment que le modèle a une applicabilité large à toutes les espèces, et ils fournissent des scripts complets et une documentation pour l'application de Dev-ResNet dans différents systèmes biologiques.

A l'avenir, la technique pourrait être utilisée pour aider à accélérer la compréhension de l'impact du changement climatique et d'autres facteurs externes sur les humains et les animaux.

Le travail a été dirigé par le candidat au doctorat, Ziad Ibbini, qui a étudié la biologie de la conservation à l'université, avant de prendre une année sabbatique pour se perfectionner en développement de logiciels, puis de commencer son doctorat. Il a conçu, formé et testé Dev-ResNet lui-même.

Il a déclaré : "Délimiter les événements de développement - ou déterminer ce qui se passe quand dans le développement précoce d'un animal - est un défi, mais incroyablement important car cela nous aide à comprendre les changements de timing des événements entre les espèces et les environnements.

"Dev-ResNet est un petit et efficace réseau neuronal convolutionnel 3D capable de détecter des événements de développement en utilisant des vidéos, et peut être formé assez facilement sur du matériel grand public.

"Les seules limitations réelles sont liées à la création des données pour entraîner le modèle d'apprentissage profond - nous savons que cela fonctionne, il suffit de lui donner les bonnes données d'entraînement.

"Nous voulons équiper la communauté scientifique avec les outils qui leur permettront de mieux comprendre comment le développement d'une espèce est affecté par différents facteurs, et ainsi identifier comment nous pouvons les protéger. Nous pensons que Dev-ResNet est un pas significatif dans cette direction."

Dr. Oli Tills, l'auteur principal de l'article et un chercheur de l'UKRI Future Leaders, a ajouté : "Cette recherche est importante sur un plan technologique, mais elle est aussi significative pour faire évoluer notre perception du développement des organismes - quelque chose que l'Université de Plymouth, au sein du groupe de recherche sur l'écophysiologie et le développement, étudie depuis plus de 20 ans.

"Ce jalon n'aurait pas été possible sans l'apprentissage profond, et il est excitant de penser à où cette nouvelle capacité nous mènera dans l'étude des animaux pendant leur période la plus dynamique de la vie."

Informations sur le journal : Journal of Experimental Biology

Fourni par l'Université de Plymouth