华盛顿大学开发可解释行为分析平台SimBA

行为神经科学需要详细的行为，但手工注释实时或记录的分析过程造成了一个巨大的瓶颈，阻碍了全面的行为分析。研究者为行为神经科学家开发了开源的简单行为分析（SimBA）平台，SimBA引入了一些机器学习可解释性工具。

基于此，2024年5月22日美国华盛顿大学生物结构学系Sam A. Golden研究团队在Nature neuroscience杂志发表了“Simple Behavioral Analysis (SimBA) as a platform for explainable machine learning in behavioral neuroscience”揭示了简单行为分析（SimBA）作为行为神经科学中可解释的机器学习平台。

SimBA引入了一些机器学习可解释性工具，包括SHAP (SHapley Additive exPlanations)基于博弈论，是一种模型无关的机器学习解释方法，既能衡量单次预测结果中的特征贡献，也能聚合局部结果成为对模型的整体解释。SHAP方法在理论上有诸多优异性质，得益于大量工程优化，在实践中也有很强的可操作性，SHAP分数有助于创建可解释和透明的行为分类器。研究者提供了一个开源的、图形用户界面（GUI）驱动的以促进改进的自动化和跨实验室行为分类工具。

图一 行为神经科学家的机器学习

SimBA为使用标准计算硬件的非专业用户提供了可访问的机器学习工具。在完成原始视频采集后，用户可以在SimBA中预处理视频（例如，裁剪、修剪、改变分辨率和对比度），然后在他们选择的开源程序中（如DeepLabCut、SLEAPDeepPoseKit和MARS）进行姿态估计。在GUI引导下导入动物跟踪数据后，SimBA计算静态和动态时间窗口（“特征”）之间的关系。默认情况下，SimBA计算单个帧内的运动、角度、路径、速度、距离和大小的可解释特征表示。SimBA具有高度灵活的功能，可以作为一个编程平台。

Table1 用于自动行为检测的开源程序

图二 SHAP揭示了物种和行为之间的差异

为了特别证明SHAP在临床前行为神经科学中增强行为的潜力，研究者收集并比较了来自美国各地机构独立创建的啮齿动物攻击分类器。这些分类器和使用了来自不同记录环境的数据，具有不同的性别、视频格式和姿态估计模型。这些分类器在各自的环境中都表现出了较高的精度。对攻击分类器的形状分析揭示了特征类别箱在识别攻击帧和非攻击帧方面的相对重要性，动物的距离和运动都是这对识别攻击很重要。研究者绘制了每个类别内的32000个观测结果（每个站点8000个），标准化特征值在y轴上，SHAP值在x轴上。随着动物之间距离的减小，攻击分类概率增加。

图三 社交压力经历对雄性和雌性的攻击性和应对行为的影响不同

雌性小鼠攻击性研究的试验历来集中在母性攻击性上，因为这些小鼠在反应性攻击性任务（RI或慢性社交挫败应激CSDS测试）中表现出攻击性的倾向较低。最近，研究重新审视了雌性的反应性攻击，发现一群雌性Swiss小鼠在与去势手术的雄性共同居住时攻击同性入侵者。在筛选了雌性的RI攻击性后，研究者进行了雌性和雄性CSDS检测。研究者计算了总持续时间、回合次数、平均回合持续时间和攻击、追逐、肛门-生殖器嗅探、逃跑和防御行为的间隔，包括每天的测试，并在5个测试平均值。研究者分析了居住着入侵、追踪和肛门-生殖器嗅探，以及入侵者的防御和逃跑行为。雄性和雌性在所有5种检测行为中均有明显差异，雌性在攻击、追逐和逃跑行为中的平均总持续时间和发作次数较高，而雄性的肛门-生殖器嗅探和防御行为水平较高。雌性在追逐、防御和逃避行为方面表现出较长的行为发作。研究者分析发现所有行为的SHAP值在性别间存在显著差异。

总结：

总之，SimBA为机器学习行为分析提供了一个以用户为中心、模块化和可访问的平台，其主要目的是促进对作为神经动物行为学家所重视的行为细微差别的理解。

文章来源：https://doi.org/10.1038/s41593-024-01649-9