Le mouvement ouvre une fenêtre sur la façon dont le cerveau fonctionne et contrôle le corps. De l’observation au presse-papier et au stylo aux techniques modernes basées sur l’intelligence artificielle, le suivi des mouvements humains et animaux a parcouru un long chemin. Les méthodes de pointe actuelles utilisent l’intelligence artificielle pour suivre automatiquement les parties du corps lorsqu’elles bougent. Cependant, la formation de ces modèles prend encore beaucoup de temps et est limitée par la nécessité pour les chercheurs de marquer manuellement chaque partie du corps des centaines, voire des milliers de fois.
Aujourd’hui, le professeur agrégé Eiman Azim et son équipe ont créé GlowTrack, une méthode non invasive de suivi des mouvements qui utilise des marqueurs fluorescents pour entraîner l’intelligence artificielle. GlowTrack est robuste, rapide et haute définition, capable de suivre un seul chiffre sur la patte d’une souris ou des centaines de points de repère sur une main humaine.
La technique, publiée dans Communications naturelles le 26 septembre 2023, a des applications allant de la biologie à la robotique en passant par la médecine et au-delà.
« Au cours des dernières années, le suivi des comportements a connu une révolution grâce à l’introduction de puissants outils d’intelligence artificielle dans les laboratoires », explique Azim, auteur principal et titulaire de la chaire de développement William Scandling. « Notre approche rend ces outils plus polyvalents, améliorant ainsi la façon dont nous capturons divers mouvements en laboratoire. Une meilleure quantification du mouvement nous donne un meilleur aperçu de la façon dont le cerveau contrôle le comportement et pourrait faciliter l’étude des troubles du mouvement comme la sclérose latérale amyotrophique (SLA) et la maladie de Parkinson.
Les méthodes actuelles pour capturer les mouvements des animaux nécessitent souvent que les chercheurs marquent manuellement et à plusieurs reprises les parties du corps sur un écran d’ordinateur – un processus long et soumis à des erreurs humaines et à des contraintes de temps. L’annotation humaine signifie que ces méthodes ne peuvent généralement être utilisées que dans un environnement de test restreint, car les modèles d’intelligence artificielle se spécialisent en fonction de la quantité limitée de données d’entraînement qu’ils reçoivent. Par exemple, si la lumière, l’orientation du corps de l’animal, l’angle de la caméra ou tout autre facteur changeaient, le modèle ne reconnaîtrait plus la partie du corps suivie.
Pour remédier à ces limitations, les chercheurs ont utilisé un colorant fluorescent pour marquer des parties du corps animal ou humain. Avec ces marqueurs fluorescents « invisibles », une énorme quantité de données visuellement diverses peut être créée rapidement et introduite dans les modèles d’intelligence artificielle sans avoir besoin d’annotation humaine. Une fois alimentés par ces données robustes, ces modèles peuvent être utilisés pour suivre les mouvements dans un ensemble d’environnements beaucoup plus diversifiés et à une résolution qui serait beaucoup plus difficile à atteindre avec un étiquetage humain manuel.
Cela ouvre la porte à une comparaison plus facile des données de mouvement entre les études, car différents laboratoires peuvent utiliser les mêmes modèles pour suivre les mouvements du corps dans diverses situations. Selon Azim, la comparaison et la reproductibilité des expériences sont essentielles dans le processus de découverte scientifique.
« Les marqueurs à colorant fluorescent étaient la solution parfaite », explique le premier auteur Daniel Butler, analyste bioinformatique à Salk. Comme l’encre invisible sur un billet d’un dollar qui s’allume uniquement lorsque vous le souhaitez, nos marqueurs à colorant fluorescent peuvent être allumés et éteints en un clin d’œil, nous permettant ainsi de générer une quantité massive de données d’entraînement. »
À l’avenir, l’équipe est ravie de prendre en charge diverses applications de GlowTrack et d’associer ses capacités à d’autres outils de suivi qui reconstruisent les mouvements en trois dimensions, ainsi qu’à des approches d’analyse capables de sonder ces vastes ensembles de données de mouvement à la recherche de modèles.
« Notre approche peut bénéficier à une multitude de domaines qui ont besoin d’outils plus sensibles, plus fiables et plus complets pour capturer et quantifier les mouvements », explique Azim. « J’ai hâte de voir comment d’autres scientifiques et non-scientifiques adopteront ces méthodes, et quelles applications uniques et imprévues pourraient en découler. »
D’autres auteurs incluent Alexander Keim et Shantanu Ray de Salk.
Le travail a été soutenu par le programme de formation CMG de l’UC San Diego, un prix de la Fondation Jesse et Caryl Philips, les National Institutes of Health (R00NS088193, DP2NS105555, R01NS111479, RF1NS128898 et U19NS112959), le programme Searle Scholars, les Pew Charitable Trusts et la Fondation McKnight.
