Nieuw diep leermodel gebruikt video om embryonale ontwikkeling te meten

28 mei 2024

Dit artikel is beoordeeld volgens het redactionele proces en beleid van Science X. Redacteuren hebben de volgende kenmerken benadrukt bij het waarborgen van de geloofwaardigheid van de inhoud:

• feit-gecontroleerd
• peer-reviewed publicatie
• vertrouwde bron
• gecorrigeerd

door University of Plymouth

Onderzoek geleid door de University of Plymouth heeft aangetoond dat een nieuw deep learning AI-model kan identificeren wat er gebeurt en wanneer tijdens de embryonale ontwikkeling, vanuit video.

Gepubliceerd in het Journal of Experimental Biology, benadrukt de studie, getiteld 'Dev-ResNet: Automated developmental event detection using deep learning', hoe het model, bekend als Dev-ResNet, de incidentie van belangrijke functionele ontwikkelingsevenementen bij vijverslakken kan identificeren, inclusief hartfunctie, kruipen, uitkomen en zelfs dood.

Een belangrijke innovatie in deze studie is het gebruik van een 3D-model dat veranderingen gebruikt die optreden tussen frames van de video, en stelt de AI in staat om van deze functies te leren, in tegenstelling tot het meer traditionele gebruik van stilstaande beelden.

Het gebruik van video betekent dat functies variërend van de eerste hartslag, of kruipgedrag, tot schaalvorming of uitkomen betrouwbaar worden gedetecteerd door Dev-ResNet, en heeft gevoeligheden van verschillende functies voor temperatuur aan het licht gebracht die niet eerder bekend waren.

Hoewel gebruikt in vijverslakembryo's voor deze studie, zeggen de auteurs dat het model een brede toepasbaarheid heeft voor alle soorten, en zij bieden uitgebreide scripts en documentatie voor het toepassen van Dev-ResNet in verschillende biologische systemen.

In de toekomst zou de techniek kunnen worden gebruikt om het begrip van hoe klimaatverandering en andere externe factoren de mens en dieren beïnvloeden, te helpen versnellen.

Het werk werd geleid door promovendus Ziad Ibbini, die BSc Conservation Biology studeerde aan de universiteit, voordat hij een jaar vrij nam om zichzelf bij te scholen in softwareontwikkeling, en vervolgens aan zijn promotie begon. Hij heeft Dev-ResNet zelf ontworpen, getraind en getest.

Hij zei: 'Het afbakenen van ontwikkelingsevenementen - of uitwerken wat er gebeurt wanneer in de vroege ontwikkeling van een dier - is zo uitdagend, maar ongelooflijk belangrijk omdat het ons helpt om veranderingen in de timing van gebeurtenissen tussen soorten en omgevingen te begrijpen.

'Dev-ResNet is een klein en efficiënt 3D-convolutioneel neuraal netwerk dat in staat is om ontwikkelingsevenementen te detecteren met behulp van video's, en kan relatief gemakkelijk worden getraind op consumentenhardware.

'De enige echte beperkingen liggen in het creëren van de gegevens om het diepgaande leermodel te trainen - we weten dat het werkt, je moet het gewoon de juiste trainingsgegevens geven.

'We willen de bredere wetenschappelijke gemeenschap uitrusten met de hulpmiddelen die hen in staat zullen stellen beter te begrijpen hoe de ontwikkeling van een soort wordt beïnvloed door verschillende factoren, en dus het identificeren van hoe we ze kunnen beschermen. Wij denken dat Dev-ResNet een belangrijke stap is in die richting.'

Dr. Oli Tills, de senior auteur van het paper en een UKRI Future Leaders Research Fellow, voegde toe: 'Dit onderzoek is belangrijk op technologisch niveau, maar het is ook significant voor het bevorderen van hoe wij de ontwikkeling van organismen waarnemen - iets waar de University of Plymouth, binnen de onderzoeksgroep Ecophysiologie en Ontwikkeling, al meer dan 20 jaar geschiedenis van onderzoek naar heeft.

'Deze mijlpaal zou niet mogelijk zijn geweest zonder diep leren, en het is spannend om te denken waar deze nieuwe mogelijkheid ons zal leiden in de studie van dieren tijdens hun meest dynamische levensfase.'

Tijdschrift informatie: Journal of Experimental Biology

Aangeboden door University of Plymouth