行为解码描述了发作的微特征和相关的突然死亡风险,在的小鼠模型中

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 行为科学 行为科学

背景情况:

• 发作涉及明显的运动和行为变化,这些变化对于理解发作类型和结果至关重要.
• 手动分析发作行为是主观的,耗时的,无法捕捉复杂的动态.
• 需要客观的,数据驱动的方法来分析研究中的行为谱.

研究的目的:

• 为了研究人工智能 (AI) 辅助工具对解码复杂的行为有用性.
• 确定人工智能识别的行为特征是否可以在各种小鼠模型中划分发作结果.
• 探索AI在研究中的大规模行为分析的潜力.

主要方法:

• 利用了DeepLabCut (DLC) 和DLC (B-SOiD) 中开放场的行为细分,用于自动行为分析的AI工具.
• 应用这些工具来诱导32种内生小鼠菌株和Angelman综合征小鼠模型中的发作.
• 分析了63个已识别的行为组,过渡动态和动作动力学.

主要成果:

• 人工智能工具确定了63个可解释的行为组,揭示了状态之间的行为使用和复杂性的显著差异.
• 行为模式成功地划分了发作状态,随着时间的推移而进展,并受到性别,遗传背景和突变的影响.
• 对行为转变和动力学 (如后肢运动) 的分析预测了中突然意外死亡的风险 (SUDEP).

结论:

• 人工智能驱动的行为微特征为临床前机理学研究和抗药物查提供了可扩展的方法.
• 基于视频的发作行为解码对临床环境,包括远程患者监控,具有重要的翻译潜力.
• 这种人工智能方法允许详细分析动力学和动态,促进研究和临床应用.