Uzvedības novērtējums ir viens no informatīvākajiem funkcionālajiem galapunktiem pētniecībā, kas nav -cilvēku primātu (NHP). Neirozinātnē un centrālās nervu sistēmas (CNS) zāļu izstrādē izmaiņas kustībās, pozā, kustībā un spontānā uzvedībā bieži vien nodrošina agrākus un klīniski nozīmīgākus slimības progresēšanas vai terapeitiskās reakcijas rādītājus nekā parastie bioķīmiskie mērījumi atsevišķi.
Tā kā translācijas pētījumos arvien vairāk uzmanības tiek pievērsta neiroloģiskiem traucējumiem, imūno{0}}slimībām, hroniskām sāpēm un gēnu terapijām, pētniekiem ir nepieciešami uzvedības beigu punkti, kas ir objektīvi, reproducējami un pietiekami jutīgi, lai noteiktu smalkas funkcionālās izmaiņas. Taču tradicionālās-uz novērošanu balstītās vērtēšanas metodes bieži balstās uz manuāliem novērtējumiem vai uz marķieriem{3}} balstītām izsekošanas sistēmām, kas rada mainīgumu, ierobežo caurlaidspēju un var mainīt dzīvnieku dabisko uzvedību.
Nesenie sasniegumi datorredzes un mākslīgā intelekta jomā ir ļāvuši veikt trīs{0}}dimensiju uzvedības analīzi bez marķieriem, ļaujot pētniekiem ar nepieredzētu precizitāti kvantitatīvi noteikt sarežģītus uzvedības fenotipus, vienlaikus samazinot eksperimentālos traucējumus.
Kāpēc tradicionālais uzvedības novērtējums ir kļuvis par ierobežojošu faktoru?
Uzvedības novērtējums jau sen ir bijis būtisks beigu punkts preklīniskajā farmakoloģijā. Tomēr tradicionālajām pieejām ir vairāki labi-atzīti ierobežojumi.
Manuāla punktu noteikšana pēc būtības ir subjektīva un bieži atšķiras starp novērotājiem. Uz marķieriem- balstītām kustības uztveršanas sistēmām ir nepieciešami atstarojoši marķieri vai valkājami sensori, kas var traucēt dabisko kustību vai izraisīt stresa reakcijas. Divu-dimensiju video analīze arī cīnās ar ķermeņa oklūziju, perspektīvas kropļojumiem un nespēju precīzi rekonstruēt kustības, kas notiek ārpus viena kameras skata.
Šie ierobežojumi kļūst īpaši svarīgi primātiem, kas nav cilvēkveidīgie primāti, kuru uzvedības repertuāri ir ievērojami sarežģītāki nekā grauzēju modeļiem. Smalkā motora kontrole, stājas pārejas, kopšanas uzvedība, sociālā mijiedarbība, skrāpējumi, kāpšana un koordinētas ekstremitāšu kustības bieži notiek vienlaikus, un tos nevar pilnībā raksturot, izmantojot parastās metodes.
Tā kā regulējošās cerības arvien vairāk uzsver kvantitatīvos un reproducējamos farmakodinamiskos galapunktus, progresīvākas uzvedības analīzes tehnoloģijas kļūst par nozīmīgu translācijas pētījumu sastāvdaļu.
3D uzvedības analīze bez marķieriem: jauna funkcionālās fenotipēšanas paaudze
Uzvedības analīze bez marķieriem apvieno sinhronizētu vairāku{0} kameru iegūšanu ar dziļas mācīšanās- pozas aprēķinu, lai rekonstruētu trīs-dimensiju skeleta kustības, nepievienojot dzīvniekam fiziskus marķierus.
Tā vietā, lai paļautos uz ārējiem sensoriem, AI algoritmi identificē anatomiskos orientierus tieši no video attēliem un nepārtraukti novērtē ķermeņa stāju visā ierakstīšanas periodā. Vairāki sinhronizēti kameras skati samazina oklūziju, vienlaikus ļaujot milimetra{1}}līmenī telpiski rekonstruēt ķermeņa kustības.
Šī pieeja piedāvā vairākas zinātniskas priekšrocības.
Tā kā nav pievienoti fiziski marķieri, dzīvnieki var pārvietoties dabiski ar minimālu eksperimentālu iejaukšanos, samazinot ar stresu{0}}saistītus uzvedības artefaktus. Automatizētā analīze arī novērš lielu daļu no novērotāju novirzēm, kas saistītas ar manuālu vērtēšanu, vienlaikus nodrošinot standartizētu datu ģenerēšanu pētījumos un laboratorijās.
Papildus vienkāršiem kustību mērījumiem, mākslīgā intelekta{0}}sistēmas var iegūt kinemātiskos parametrus, kustību trajektorijas, locītavu leņķus, pozas pārejas un uzvedības secības, kuras ir grūti vai neiespējami kvantificēt manuāli. Šīs daudzdimensiju datu kopas sniedz bagātīgāku neiroloģisko funkciju un ārstēšanas atbildes reakciju.
Lietojumprogrammas tulkošanas zāļu izstrādei
Kvantitatīvā uzvedības fenotipēšana kļūst arvien vērtīgāka visā zāļu izstrādes procesā.
Neirozinātnes pētījumos bezmarķieru 3D analīze atbalsta slimības fenotipu objektīvu raksturojumu Parkinsona slimības, smadzeņu išēmijas, epilepsijas, Hantingtona slimības, muguras smadzeņu bojājumu un citu neiroloģisku traucējumu modeļos. Nepārtraukta uzraudzība ļauj pētniekiem novērtēt smalkas gaitas, stājas, koordinācijas, trīces un spontānas aktivitātes izmaiņas laika gaitā.
Uzvedības mērķa kritēriji arī sniedz svarīgus farmakodinamiskus pierādījumus efektivitātes pētījumos. Salīdzinot sākotnējo uzvedību ar garengriezuma-mērījumiem pēc ārstēšanas, pētnieki var kvantitatīvi noteikt funkcionālo uzlabojumu, noteikt devas-atbildes attiecības un labāk izprast terapeitiskos mehānismus.
Tehnoloģija ir vienlīdz piemērojama ārpus tradicionālajām CNS indikācijām. Traucējumi, kas saistīti ar hroniskām sāpēm, niezi, iekaisumu vai neiromuskulāru disfunkciju, bieži rada raksturīgus uzvedības parakstus, kurus tagad var objektīvi izmērīt, izmantojot automatizētu analīzi.
Tā kā primātiem, kas nav cilvēkveidīgie primāti, ir ļoti konservēta neiroanatomija un motora funkcija ar cilvēkiem, šīs kvantitatīvās uzvedības datu kopas var nodrošināt lielāku translācijas nozīmi nekā salīdzināmi mērījumi, kas iegūti grauzēju modeļos.
Bezmarķieru uzvedības analīze uzņēmumā Prisys Biotech
Lai atbalstītu arvien sarežģītākus uzvedības galapunktus pētījumos ar primātiem, kas nav cilvēkveidīgie primāti, Prisys Biotech ir izveidojisAI-iespējota bezmarķieru 3D uzvedības analīzedarbplūsmu savā translatīvās pētniecības platformā. Risinājums ir ieviestssadarbībā ar Bayone, integrējot uzlabotas datorredzes un mākslīgā intelekta -uzvedības analīzi preklīniskajos farmakoloģijas pētījumos, vienlaikus ļaujot Prisys koncentrēties uz pētījumu veikšanu, slimību modelēšanu, datu integrāciju un tulkošanas interpretāciju.
Darbplūsma ietver sinhronizētu vairāku{0}}skatījumu video iegūšanu, trīs-dimensiju pozu rekonstrukciju, automātisku uzvedības atpazīšanu un kvantitatīvu uzvedības pārskatu. Vienlaikus var izsekot vairāk nekā divdesmit anatomiskiem galvenajiem punktiem, ļaujot detalizēti analizēt kustību trajektorijas, pozu, pārvietošanos, kāpšanu, stāvēšanu, pakāršanos, kopšanu, skrāpēšanos un citas spontānas uzvedības. Šīs iespējas atbilst tehniskajai sistēmai, kas aprakstīta AI-bāzētās NHP uzvedības analīzes platformā.
Svarīgi, ka Prisys izmanto šo iespēju kādaļa no integrētām farmakoloģijas studijām, nevis kā atsevišķa programmatūra, apvienojot uzvedības analīzi ar slimību modeļiem, FK/PD novērtējumu, klīnisko attēlveidošanu, patoloģiju, biomarķieru novērtējumu un statistisko interpretāciju.
Pielietojuma piemērs: NHP niezes automatizēta kvantitatīva noteikšana
Viens no šīs sadarbības darbplūsmas piemēriem ir automatizēta patoloģiskas skrāpēšanas uzvedības novērtējums pētījumos par niezi, kas nav cilvēkveidīgie primāti.
Izmantojot vairāku-skatījumu izsekošanu, trīs-pozīcijas aprēķinu un optisko plūsmas-uzvedības atpazīšanu, skrāpējumu epizodes var noteikt automātiski un precīzi noteikt kvantitatīvi. Tā vietā, lai paļautos tikai uz manuālu novērošanu, pētnieki iegūst standartizētus skrāpējumu biežuma, ilguma un uzvedības dinamikas mērījumus, nodrošinot objektīvus farmakodinamiskos galapunktus pretniezes terapijas novērtēšanai.
Šī uzvedības darbplūsma papildina PrisysIL-31 izraisīts primātu niezes modelis, kas nav cilvēkveidīgs primāts, kas atbalsta jaunu pret-niezes un neiroimūno terapiju translācijas novērtējumu.
Skatoties uz priekšu
Mākslīgais intelekts pārveido uzvedības fenotipēšanu no subjektīvās novērošanas kvantitatīvos digitālajos biomarķieros. Tā kā zāļu izstrādē arvien vairāk tiek uzsvērti funkcionālie rezultāti, garengriezuma uzraudzība un translācijas paredzamība, sagaidāms, ka trīsdimensiju uzvedības analīze bez iezīmēm kļūs par arvien nozīmīgāku preklīniskās neirozinātnes pētījumu sastāvdaļu.
Integrējot ar uzlabotiem primātu slimību modeļiem, kas nav -cilvēku primāti, klīniskās-pakāpes attēlveidošanu, PK/PD analīzi un molekulārajiem biomarķieriem, AI-palīdzēta uzvedības fenotipēšana ļauj izprast vispusīgāku terapeitisko efektivitāti, vienlaikus uzlabojot preklīnisko pētījumu translācijas vērtību.
Uzņēmums Prisys Biotech šī iespēja ir iekļauta daudzdisciplīnu translatīvās pētniecības programmās, sadarbojoties ar specializētiem tehnoloģiju partneriem, ļaujot sponsoriem piekļūt standartizētiem, kvantitatīviem uzvedības galapunktiem, kas ir daļa no integrētiem primātu farmakoloģijas pētījumiem, kas nav cilvēkprimāti.
FAQ
J: Kas ir uzvedības analīze bez marķieriem?
A. Bezmarķieru uzvedības analīzē tiek izmantoti datorredzes un mākslīgā intelekta algoritmi, lai izsekotu dzīvnieku kustībām, nepievienojot fiziskus marķierus vai valkājamus sensorus, ļaujot objektīvi reģistrēt dabisko uzvedību.
J: Kāpēc 3D uzvedības analīze ir labāka par parasto video izsekošanu?
A. Trīs{0}}dimensiju rekonstrukcija samazina oklūziju, uzlabo telpisko precizitāti un ļauj kvantitatīvi analizēt pozu, locītavu kustību, kustību un sarežģītas uzvedības secības, kuras nevar droši izmērīt no vienas kameras.
J. Kuras slimības jomas gūst vislielāko labumu no AI{0}}pamatotās uzvedības fenotipēšanas?
A: Lietojumprogrammas ietver Parkinsona slimību, epilepsiju, insultu, Hantingtona slimību, muguras smadzeņu bojājumus, hroniskas sāpes, niezi un citus neiroloģiskus vai neiromuskulārus traucējumus, kur funkcionālie uzvedības beigu punkti ir kritiski.
J: Kā Prisys izmanto šo tehnoloģiju?
A. Prisys, sadarbojoties ar Bayone, integrē AI-bezmarķieru uzvedības analīzi cilvēku primātu farmakoloģijas pētījumos, apvienojot uzvedības analīzi ar slimību modeļiem, PK/PD, attēlveidošanu, patoloģiju un biomarķieru analīzi, lai atbalstītu zāļu translācijas izstrādi.
