Mano humana marcada con etiquetas fluorescentes GlowTrack. Crédito: Instituto Salk
Los científicos de Salk crean GlowTrack para rastrear el comportamiento humano y animal con mejor resolución y más versatilidad.
El movimiento ofrece una ventana a cómo el cerebro opera y controla el cuerpo. Desde la observación con portapapeles y bolígrafo hasta técnicas modernas basadas en inteligencia artificial, el seguimiento del movimiento humano y animal ha recorrido un largo camino. Los métodos de vanguardia actuales utilizan inteligencia artificial para rastrear automáticamente partes del cuerpo a medida que se mueven. Sin embargo, entrenar estos modelos todavía requiere mucho tiempo y está limitado por la necesidad de que los investigadores marquen manualmente cada parte del cuerpo cientos o miles de veces.
Presentamos GlowTrack
Ahora, el profesor asociado Eiman Azim y su equipo han creado GlowTrack, un método de seguimiento de movimiento no invasivo que utiliza marcadores de tintes fluorescentes para entrenar la inteligencia artificial. GlowTrack es robusto, eficiente en el tiempo y de alta definición: capaz de rastrear un solo dígito en la pata de un mouse o cientos de puntos de referencia en una mano humana.
La técnica, publicada el 26 de septiembre de 2023 en Nature Communications, tiene aplicaciones que van desde la biología hasta la robótica, la medicina y más.
De izquierda a derecha: Daniel Butler y Eiman Azim. Crédito: Instituto Salk
«En los últimos años, ha habido una revolución en el seguimiento del comportamiento a medida que se han llevado al laboratorio potentes herramientas de inteligencia artificial», dice Azim, autor principal y titular de la Cátedra William Scandling de Desarrollo. “Nuestro enfoque hace que estas herramientas sean más versátiles, mejorando la forma en que capturamos diversos movimientos en el laboratorio. Una mejor cuantificación del movimiento nos da una mejor idea de cómo el cerebro controla el comportamiento y podría ayudar en el estudio de trastornos del movimiento como la esclerosis lateral amiotrófica (ELA) y la enfermedad de Parkinson”.
Superar las limitaciones actuales
Los métodos actuales para capturar el movimiento de los animales a menudo requieren que los investigadores marquen manualmente y repetidamente partes del cuerpo en una pantalla de computadora, un proceso que requiere mucho tiempo y es propenso a errores humanos y limitaciones de tiempo. La anotación humana significa que estos métodos generalmente solo pueden usarse en un entorno de prueba restringido, ya que los modelos de inteligencia artificial se especializan en la cantidad limitada de datos de entrenamiento que reciben. Por ejemplo, si la luz, la orientación del cuerpo del animal, el ángulo de la cámara o cualquier otro factor cambiaran, el modelo ya no reconocería la parte del cuerpo rastreada.
Para abordar estas limitaciones, los investigadores utilizaron tintes fluorescentes para etiquetar partes del cuerpo humano o animal. Con estos marcadores fluorescentes «invisibles», se puede crear rápidamente una gran cantidad de datos visualmente diversos e introducirlos en modelos de IA sin necesidad de anotaciones humanas. Una vez alimentados con estos datos sólidos, estos modelos se pueden utilizar para rastrear movimientos en un conjunto mucho más diverso de entornos y con una resolución que sería mucho más difícil de lograr con el etiquetado humano manual.
Esto abre la puerta a una comparación más sencilla de los datos de movimiento entre estudios, ya que diferentes laboratorios pueden utilizar los mismos modelos para rastrear el movimiento corporal en una variedad de situaciones. Según Azim, la comparación y la reproducibilidad de los experimentos son esenciales en el proceso de descubrimiento científico.
«Los marcadores fluorescentes fueron la solución perfecta», dice el primer autor Daniel Butler, analista de bioinformática de Salk. Al igual que la tinta invisible de un billete de un dólar que sólo se ilumina cuando usted lo desea, nuestros marcadores fluorescentes se pueden encender y apagar en un abrir y cerrar de ojos, lo que nos permite generar una enorme cantidad de datos de entrenamiento”.
Mirando hacia el futuro
En el futuro, el equipo está entusiasmado de admitir múltiples aplicaciones de GlowTrack y combinar sus capacidades con otras herramientas de seguimiento que reconstruyen el movimiento en tres dimensiones y con enfoques de análisis que puedan investigar patrones en estos vastos conjuntos de datos de movimiento.
«Nuestro enfoque podría beneficiar a una serie de campos que necesitan herramientas más sensibles, fiables y completas para capturar y cuantificar el movimiento», afirma Azim. «Espero ver cómo otros científicos y no científicos adoptan estos métodos y qué aplicaciones únicas e imprevistas pueden surgir».
Referencia: “Captura a gran escala de etiquetas fluorescentes ocultas para entrenar modelos de captura de movimiento sin etiquetas generalizables”, 26 de septiembre de 2023, Nature Communications.
DOI: 10.1038/s41467-023-41565-3
Otros autores incluyen a Alexander Keim y Shantanu Ray de Salk.
El trabajo fue apoyado por el Programa de Capacitación CMG de UC San Diego, un premio de la Fundación Jesse y Caryl Philips, los Institutos Nacionales de Salud (R00NS088193, DP2NS105555, R01NS111479, RF1NS128898 y U19NS112959), el Programa Searle Scholars, Pew Charitable Trusts y la Fundación McKnight.
