Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Equilibrar la ética y las estadísticas: el aprendizaje automático facilita una clasificación altamente precisa de los ratones de acuerdo con su ansiedad de rasgos con tamaños de muestra reducidos

Johannes Miedema ¹, Beat Lutz ^2,3, Susanne Gerber ^1,4

⁰Institute of Human Genetics, University Medical Center of the Johannes Gutenberg University Mainz, Mainz, Germany.

Translational Psychiatry +

|

21 de agosto de 2025

Ver abstracta en PubMed

Resumen

Los modelos de aprendizaje automático clasifican con precisión a los ratones en endofenotipos de ansiedad sostenida y de fase. Este enfoque mejora la robustez del fenotipo conductual y reduce el número de animales en la investigación preclínica.

Área De La Ciencia

Neurociencia del comportamiento
Modelos en animales
Aprendizaje automático

Sus Antecedentes

Las diferencias individuales y los patrones específicos del sexo en la vulnerabilidad a la enfermedad y la respuesta al tratamiento son cruciales, pero a menudo se pasan por alto en los estudios preclínicos de trastornos de ansiedad y estrés.
Los métodos de agrupación no supervisados anteriores para clasificar los endofenotipos de ansiedad del ratón requerían muestras de gran tamaño, en conflicto con los principios de bienestar animal.

Objetivo Del Estudio

Desarrollar y validar modelos de aprendizaje automático supervisado (ML) para una clasificación precisa y específica por sexo de los endofenotipos de ansiedad en ratones.
Evaluar la solidez y la generalización de los modelos de ML en diferentes tamaños de muestra y condiciones experimentales.

Principales Métodos

Datos agrupados de 470 ratones para entrenar y validar modelos supervisados de ML para clasificar a los que responden a la ansiedad sostenida y de fase.
Evaluación del rendimiento y la generalización del modelo en cohortes de animales independientes.
Evaluar el impacto del tamaño de la muestra y las modificaciones del protocolo en el rendimiento del clasificador.

Principales Resultados

Los modelos supervisados de ML lograron una alta precisión y generalización en la clasificación de ratones en endofenotipos sostenidos y fásicos de una manera específica por sexo.
El rendimiento del clasificador ML fue independiente del tamaño de la muestra y de las variaciones del protocolo de acondicionamiento.
El enfoque ML desarrollado demostró robustez y replicabilidad.

Conclusiones

Las técnicas asistidas por aprendizaje automático ofrecen un método robusto y reproducible para el fenotipo conductual en la investigación preclínica de la ansiedad.
Estos modelos de ML promueven los principios de las 3R (reemplazo, reducción, refinamiento) al permitir una clasificación precisa con tamaños de muestra potencialmente más pequeños y protocolos adaptables.