行為神經科學需要詳細的行為，但手工注釋實時或記錄的分析過程造成了一個巨大的瓶頸，阻礙了全面的行為分析。研究者為行為神經科學家開發了開源的簡單行為分析（SimBA）平臺，SimBA引入了一些機器學習可解釋性工具。

基于此，2024年5月22日美國華盛頓大學生物結構學系Sam A. Golden研究團隊在Nature neuroscience雜志發表了“Simple Behavioral Analysis (SimBA) as a platform for explainable machine learning in behavioral neuroscience”揭示了簡單行為分析（SimBA）作為行為神經科學中可解釋的機器學習平臺。

SimBA引入了一些機器學習可解釋性工具，包括SHAP (SHapley Additive exPlanations)基于博弈論，是一種模型無關的機器學習解釋方法，既能衡量單次預測結果中的特征貢獻，也能聚合局部結果成為對模型的整體解釋。SHAP方法在理論上有諸多優異性質，得益于大量工程優化，在實踐中也有很強的可操作性，SHAP分數有助于創建可解釋和透明的行為分類器。研究者提供了一個開源的、圖形用戶界面（GUI）驅動的以促進改進的自動化和跨實驗室行為分類工具。

圖一 行為神經科學家的機器學習

SimBA為使用標準計算硬件的非專業用戶提供了可訪問的機器學習工具。在完成原始視頻采集后，用戶可以在SimBA中預處理視頻（例如，裁剪、修剪、改變分辨率和對比度），然后在他們選擇的開源程序中（如DeepLabCut、SLEAPDeepPoseKit和MARS）進行姿態估計。在GUI引導下導入動物跟蹤數據后，SimBA計算靜態和動態時間窗口（“特征”）之間的關系。默認情況下，SimBA計算單個幀內的運動、角度、路徑、速度、距離和大小的可解釋特征表示。SimBA具有高度靈活的功能，可以作為一個編程平臺。

Table1 用于自動行為檢測的開源程序

圖二 SHAP揭示了物種和行為之間的差異

為了特別證明SHAP在臨床前行為神經科學中增強行為的潛力，研究者收集并比較了來自美國各地機構獨立創建的嚙齒動物攻擊分類器。這些分類器和使用了來自不同記錄環境的數據，具有不同的性別、視頻格式和姿態估計模型。這些分類器在各自的環境中都表現出了較高的精度。對攻擊分類器的形狀分析揭示了特征類別箱在識別攻擊幀和非攻擊幀方面的相對重要性，動物的距離和運動都是這對識別攻擊很重要。研究者繪制了每個類別內的32000個觀測結果（每個站點8000個），標準化特征值在y軸上，SHAP值在x軸上。隨著動物之間距離的減小，攻擊分類概率增加。

圖三 社交壓力經歷對雄性和雌性的攻擊性和應對行為的影響不同

雌性小鼠攻擊性研究的試驗歷來集中在母性攻擊性上，因為這些小鼠在反應性攻擊性任務（RI或慢性社交挫敗應激CSDS測試）中表現出攻擊性的傾向較低。最近，研究重新審視了雌性的反應性攻擊，發現一群雌性Swiss小鼠在與去勢手術的雄性共同居住時攻擊同性入侵者。在篩選了雌性的RI攻擊性后，研究者進行了雌性和雄性CSDS檢測。研究者計算了總持續時間、回合次數、平均回合持續時間和攻擊、追逐、肛門-生殖器嗅探、逃跑和防御行為的間隔，包括每天的測試，并在5個測試平均值。研究者分析了居住著入侵、追蹤和肛門-生殖器嗅探，以及入侵者的防御和逃跑行為。雄性和雌性在所有5種檢測行為中均有明顯差異，雌性在攻擊、追逐和逃跑行為中的平均總持續時間和發作次數較高，而雄性的肛門-生殖器嗅探和防御行為水平較高。雌性在追逐、防御和逃避行為方面表現出較長的行為發作。研究者分析發現所有行為的SHAP值在性別間存在顯著差異。

總結：

總之，SimBA為機器學習行為分析提供了一個以用戶為中心、模塊化和可訪問的平臺，其主要目的是促進對作為神經動物行為學家所重視的行為細微差別的理解。

文章來源：https://doi.org/10.1038/s41593-024-01649-9