倫理と統計のバランス:機械学習は,サンプルサイズを小さくして,特性の不安に応じてマウスの非常に正確な分類を容易にします

科学分野:

• 行動神経科学
• 動物モデル
• 機械学習

背景:

• 病気の脆弱性や治療への反応における個々の差異と性別特有のパターンは極めて重要ですが,不安やストレス障害の臨床前研究ではしばしば見過ごされています.
• マウスの不安エンドフェノタイプを分類するための以前の無監督のクラスタリング方法は,動物福祉の原則と矛盾する大きなサンプルサイズを必要としていました.

研究 の 目的:

• マウスの不安エンドフェノタイプを正確に性別別に分類するための監督機械学習 (ML) モデルを開発し,検証する.
• 異なるサンプルサイズと実験条件におけるMLモデルの堅実性と一般化性を評価する.

主な方法:

• 470匹のマウスのデータを集約し,持続的および段階的な不安応答者を分類するための監督されたMLモデルを訓練し,検証しました.
• 評価されたモデル性能と,独立した動物コホートでの汎用性.
• 分類器の性能に対するサンプルサイズとプロトコル変更の影響を評価した.

主要な成果:

• 監視されたMLモデルは,マウスを性別の方法で持続性および相性エンドフェノタイプに分類する上で高い正確性と一般化性を達成した.
• ML分類器の性能は,サンプルサイズと条件付けプロトコルによる変化とは無関係でした.
• 開発されたMLアプローチは,強度と複製性を示した.

結論:

• 機械学習支援技術は,臨床前の不安研究における行動的フェノタイプ化のための堅牢で再現可能な方法を提供します.
• これらのMLモデルは,潜在的に小さいサンプルサイズと適応可能なプロトコルで正確な分類を可能にすることで,3R (交換,削減,精製) の原則を促進します.