魚羊 十三 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
人類在破解大腦的道路上又有新方法、新突破和新發現。
之前為了探究大腦的奧秘，科學家們可謂是嘗試了各種各樣的辦法：
直接觀察活體大腦→光脈衝控制神經元→構建複雜裝置和虛擬現實環境。
其實，只要能準確、高效地觀察動物行為，就能探究大腦中的神經元。
正如哈佛醫學院的神經生物學家 Bob Datta 所說：
我們不瞭解大腦的輸出，要弄清楚這些高密度的神經編碼，就需要對行為有更深入的瞭解。這項研究來自普林斯頓大學，作者Mala Murthy和她的團隊用深度神經網絡模型，成功根據果蠅的行為，預測出了雄性果蠅會在何時以何種方式，對著“心上蠅”唱出一曲“情歌”。
這些方式對應了雄性果蠅的不同策略，研究人員根據這個信息確定了能夠控制雄性果蠅做不同決策的神經元。
作者Mala Murthy表示：
這是一個重要的突破。我們期待這個模型被廣泛應用，將神經活動和自然行為聯繫起來。
這項研究還登上了Nature Neuroscience。
看行為動作，預測大腦狀態
捕捉果蠅行為變化的神經網絡，是廣義線性模型（GLM）+ 隱馬爾可夫模型（HMM）。
這是一種無監督的方法。
在求偶過程中，雄性果蠅會對著雌性果蠅唱歌，這種聲音有三種不同的模式：一種是正弦形態，另外兩種是脈衝形態。
△果蠅求偶聲音的三種形態
研究人員收集了276對野生型（wild-type）數據，其中包含2765分鐘的求偶互動行為。
並用這一數據集訓練多項式GLM，來預測整個求偶過程中雄蠅的唱歌行為。
在此基礎上，研究人員創建了一個
GLM-HMM模型，該模型在根據反饋線索（feedback cues）預測唱歌模式時會合並隱藏狀態。（注：反饋線索，由雄蠅和雌性的運動和相互作用來定義）
GLM-HMM允許每個狀態擁有關聯的多項式GLM，用來描述反饋線索→預測發出特定動作的概率這一過程的映射關係。
同時，每個狀態還有單獨的多項式GLM，可以產生另一個映射關係：反饋線索-從當前狀態到下一狀態轉移的概率。
也就是說，這一概率會隨著雄蠅收到的反饋的變化而變化，並且，研究人員能夠確定在每個時間點，是哪些反饋線索影響了最終的轉換概率。
GLM-HMM模型與其他預測行為的模型之間最主要的區別，是該模型允許每個狀態使用不同的迴歸權重來預測行為。
果蠅求偶實驗
通過GLM-HMM模型研究人員總結了果蠅求偶過程的三種狀態。
第一種狀態，稱為靠近（Close）。雄蠅與雌蠅之間的平均距離更短，並且雄蠅正在朝著雌蠅緩慢移動。
這種狀態下，雄蠅的歌聲主要呈正弦形態。
第二種狀態，稱為追逐（Chasing）。雄蠅以更快的速度向雌蠅靠近。
這種狀態下，雄蠅的歌聲主要呈脈衝形態。
第三種狀態，稱為不感興趣（Whatever）。雄蠅與雌蠅的平均距離較遠，雄蠅移動緩慢且朝向遠離雌蠅的方向。
這種狀態下，雄蠅就不怎麼發出聲了。
接著，研究人員通過激活各種神經元，來探究是哪些神經元驅動了不同狀態之間的轉變。
被重點關注的有三類神經元：P1a，pIP10和vPR6。
實驗結果表明，當
pIP10這一對下行神經元被激活時，果蠅進入“靠近”狀態的可能性大大增加，但激活P1a和vPR6神經元並沒有太大的影響。也就是說，研究人員找出了果蠅求偶行為背後，操縱其大腦活動的那一對神經元。
行為生物學交叉跨界破解大腦
幾十年來，科學家們對動物行為研究沒有止步過。
1973年，《Nature》發表了一項研究，描述了一隻老鼠梳理毛髮的過程，並估計了在不同環境下，某些動作發生的概率。
但在當時，研究人員需要捕捉老鼠的所有動作，因為他們不知道所觀察到的哪些動作是比較重要的。
接著，有些科學家就開始採取相反的策略做研究。
他們把動物放在受控制的環境中，讓它們做簡單的二元決策，例如在迷宮裡面是左轉還是右轉。
但是人為的干擾也損害了對自然行為的理解。
於是乎，科學家們通過“更定量地思考行為”來讓這個領域變得更加現代化。
數據收集和數據分析的自動化已經成為這種轉變的關鍵因素。
到了1980年代，科學家們開始改進計算機視覺算法來解決動物行為問題。
在接下來的幾十年裡，人們開發了一種系統，可以在視頻的每一幀中標記動物的位置，用來區分多種生物體，甚至可以開始識別身體的某些部位和方向。
儘管如此，這些項目並沒有達到科學家們所需要的效率。
直到機器學習的出現。
通過深度學習，研究人員已經開始通過訓練神經網絡，來跟蹤幾乎所有動物的關節和主要身體部位。
所需要的只是一些標記好的幀。
但在動物身上做上這些標記還真不是一件簡單的事情。
五年前，挪威科技大學的研究人員為了標記老鼠，把它們身上的毛剃光，背上輕輕地塗上一些玻璃珠(glasses bead)，還在動物的關節上塗上發光的墨水和拋光劑。
但有時候這些標記物根本不夠亮，無法被追蹤，而且還會干擾動物的行為。
最後，它們決定使用粘在動物背部三個點上的小塊反光膠帶來重建脊柱的運動，並使用一個帶有另外四塊膠帶的小頭盔來追蹤頭部的運動。
不過，很多科學家並不想在動物身上做這樣的標記。
於是乎，各種各樣的應用系統就誕生了。
首先是哈佛大學開發的DeepLabCut，於去年上線。
他們重新設計了一個神經網絡，這個網絡已經可以分類非常多的物體。
其他的應用系統還包括：LEAP、SLEAP和DeepPoseKit。
上述這些姿態跟蹤應用的誕生，大大簡化了數據集收集的工作。
哈佛大學行為生物學家Benjamin de Bivort表示：
現在我們可以考慮其他問題了。
但科學研究就是如此，永遠不能止於現狀。
雖然有了這些好用的應用，但是它們都依賴於監督學習，也就是說受過訓練，能夠從手工標記的數據推斷出身體部位的位置。
科學家們希望通過無監督的方式來實現這個過程。無監督方法本身就有希望揭示隱藏的行為結構。
2008年出現了一個有趣的例子。
當時研究人員確定了四種構成蠕蟲運動的基本單元，這些基本單元可以疊加在一起，以捕捉動物全部的運動。
2013年，Datta用他的 Xbox Kinect 技術將這種方法提升到了一個全新的水平。
動物的三維動態行為似乎自然地分割成小塊(chunk)，平均持續300毫秒。
基於這個發現，他和團隊建立了一個深度神經網絡，通過分解動物的活動來識別這些小塊，從而可以預測未來的行為。
行為生物學，就這樣也成為了
破解大腦方法大家庭中的一員：對動物行為的深入瞭解，有利於揭秘複雜、高密度的神經編碼。
關於作者
△Jonathan W. Pillow
Adam J. Calhoun，普林斯頓大學神經科學研究所，研究助理。重點研究大腦如何做出決策以及選擇行為。開發的工具和技術可以通過機器學習精確地量化動物的行為。
△Adam J. CalhounJonathan W. Pillow，普林斯頓大學心理學、神經科學教授。研究領域包括神經科學、統計學和機器學習交叉的問題。開發了表徵高維數據結構的統計方法，並與實驗小組密切合作來研究神經系統及其執行的計算。對大腦在自然任務中執行統計推斷的能力以及控制感覺系統功能和設計的理論原理感興趣。
△Mala Murthy
Mala Murthy，普林斯頓大學神經科學教授。研究重點是果蠅溝通的神經機制。
傳送門
論文：https://www.nature.com/articles/s41593-019-0533-x
QuantaMagazine：https://www.quantamagazine.org/to-decode-the-brain-scientists-automate-the-study-of-behavior-20191210/
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態
閱讀更多 量子位 的文章
