Ny djupinlärningsmodell använder video för att mäta embryonisk utveckling

28 maj 2024

Denna artikel har granskats enligt Science X:s redaktionella process och policy. Redaktörer har framhävt följande attribut medan de säkerställer innehållets trovärdighet:

• faktakontrollerad
• granskad publikation
• pålitlig källa
• korrekturläst

av University of Plymouth

Forskning lett av University of Plymouth har visat att en ny djupinlärnings AI-modell kan identifiera vad som händer och när under embryonal utveckling, från video.

Publicerad i Journal of Experimental Biology, belyser studien, betitlad 'Dev-ResNet: Automatisk påvisning av utvecklingshändelser med djupinlärning', hur modellen, känd som Dev-ResNet, kan identifiera förekomsten av viktiga funktionella utvecklingshändelser i damsnäckor, inklusive hjärtfunktion, krypande, kläckning och till och med död.

En nyckelinnovation i denna studie är användningen av en 3D-modell som använder förändringar som sker mellan videobilderna, och gör det möjligt för AI att lära sig från dessa funktioner, till skillnad från den mer traditionella användningen av stillbilder.

Användningen av video innebär att funktioner som sträcker sig från det första hjärtslaget, eller krypande beteende, till skaletbildning eller kläckning pålitligt upptäcks av Dev-ResNet, och har avslöjat känsligheter hos olika funktioner för temperatur som tidigare inte var kända.

Även om det används i damsnäcksembryon för denna studie, säger författarna att modellen har bred tillämpbarhet över alla arter, och de tillhandahåller omfattande skript och dokumentation för att tillämpa Dev-ResNet i olika biologiska system.

I framtiden kan tekniken användas för att hjälpa till att påskynda förståelsen för hur klimatförändringar och andra yttre faktorer påverkar människor och djur.

Arbetet leddes av doktorandkandidaten, Ziad Ibbini, som studerade BSc Conservation Biolog vid universitetet, innan han tog ett sabbatsår för att vidareutbilda sig själv inom programutveckling, och sedan började sin doktorandutbildning. Han designade, tränade och testade Dev-ResNet själv.

Han sa, 'Att definiera utvecklingshändelser - eller att ta reda på vad som händer när i ett djurs tidiga utveckling - är så utmanande, men otroligt viktig eftersom det hjälper oss att förstå förändringar i händelsetidpunkter mellan arter och miljöer.

'Dev-ResNet är ett litet och effektivt 3D-konvo-neuralt nätverk som kan upptäcka utvecklingshändelser med hjälp av videor och kan tränas relativt lätt på konsumenthårdvara.

'De enda verkliga begränsningarna finns i att skapa data för att träna den djupinlärningsmodell - vi vet att det fungerar, du måste bara ge det rätt träningsdata.

'Vi vill utrusta den bredare vetenskapliga gemenskapen med de verktyg som gör att de kan förstå bättre hur en art utvecklas påverkas av olika faktorer, och därmed identifiera hur vi kan skydda dem. Vi tror att Dev-ResNet är ett betydande steg i den riktningen.'

Dr. Oli Tills, den högsta författaren till dokumentet och en UKRI Framtidens ledande forskningsstipendiat, tillade, 'Denna forskning är viktig på en teknologisk nivå, men betydande för att främja hur vi uppfattar organismal utveckling - något som University of Plymouth, inom Forskningsgruppen för ekofysiologi och utveckling, har mer än 20 års historia om forskning.

'Denna milstolpe skulle inte ha varit möjlig utan djupinlärning, och det är spännande att tänka på var denna nya kapacitet kommer att leda oss i studien av djur under deras mest dynamiska period i livet.'