Ny dyb læringsmodel bruger video til at måle embryonal udvikling

Forskning ledet af University of Plymouth har vist, at en ny deep learning AI-model kan identificere, hvad der sker og hvornår under embryonal udvikling, fra video.

Udgivet i Journal of Experimental Biology , undersøgelsen, med titlen "Dev-ResNet:Automated developmental event detection using deep learning," fremhæver, hvordan modellen, kendt som Dev-ResNet, kan identificere forekomsten af ​​vigtige funktionelle udviklingshændelser i damsnegle, herunder hjertefunktion, kravling, udklækning og endda døden.

En vigtig nyskabelse i denne undersøgelse er brugen af ​​en 3D-model, der bruger ændringer, der sker mellem billederne i videoen, og gør det muligt for AI at lære af disse funktioner, i modsætning til den mere traditionelle brug af stillbilleder.

Brugen af ​​video betyder, at funktioner, der spænder fra det første hjerteslag eller kravleadfærd, til skaldannelse eller skravering, detekteres pålideligt af Dev-ResNet og har afsløret følsomheden af ​​forskellige funktioner til temperatur, der ikke tidligere er kendt.

Mens den bruges i damsnegleembryoner til denne undersøgelse, siger forfatterne, at modellen har bred anvendelighed på tværs af alle arter, og de giver omfattende scripts og dokumentation til anvendelse af Dev-ResNet i forskellige biologiske systemer.

Fremover kan teknikken bruges til at hjælpe med at fremskynde forståelsen af, hvordan klimaændringer og andre eksterne faktorer påvirker mennesker og dyr.

Arbejdet blev ledet af ph.d. kandidat, Ziad Ibbini, som studerede BSc Conservation Biology på universitetet, før han tog et år ud for at opkvalificere sig i softwareudvikling, og derefter begyndte sin ph.d. Han designede, trænede og testede selv Dev-ResNet.

Han sagde:"At afgrænse udviklingshændelser - eller at finde ud af, hvad der sker i et dyrs tidlige udvikling - er så udfordrende, men utrolig vigtigt, da det hjælper os med at forstå ændringer i hændelsestidspunktet mellem arter og miljøer.

"Dev-ResNet er et lille og effektivt 3D-konvolutionelt neuralt netværk, der er i stand til at detektere udviklingshændelser ved hjælp af videoer og kan trænes relativt nemt på forbrugerhardware.

"De eneste reelle begrænsninger er at skabe dataene til at træne den dybe læringsmodel – vi ved, at den virker, du skal bare give den de rigtige træningsdata.

"Vi ønsker at udstyre det bredere videnskabelige samfund med de værktøjer, der vil gøre dem i stand til bedre at forstå, hvordan en arts udvikling påvirkes af forskellige faktorer, og dermed identificere, hvordan vi kan beskytte dem. Vi mener, at Dev-ResNet er et væsentligt skridt i den retning."

Dr. Oli Tills, avisens seniorforfatter og en UKRI Future Leaders Research Fellow, tilføjede:"Denne forskning er vigtig på et teknologisk niveau, men den er også vigtig for at fremme, hvordan vi opfatter organismeudvikling - noget som University of Plymouth inden for Ecophysiology and Development Research Group, har mere end 20 års forskning i historien.

"Denne milepæl ville ikke have været mulig uden dyb læring, og det er spændende at tænke på, hvor denne nye evne vil føre os hen i studiet af dyr i deres mest dynamiske periode af livet."

Flere oplysninger: Dev-ResNet:Automatiseret registrering af udviklingshændelser ved hjælp af dyb læring, Journal of Experimental Biology (2024). DOI:10.1242/jeb.247046

Journaloplysninger: Journal of Experimental Biology

Leveret af University of Plymouth