Los investigadores de la ETH de Zúrich utilizan inteligencia artificial para analizar de forma más eficiente el comportamiento de los ratones de laboratorio y reducir el número de animales en los experimentos.
En resumen
- Investigadores de la ETH de Zúrich han desarrollado un nuevo método asistido por inteligencia artificial para registrar el comportamiento de ratones de laboratorio.
- El método permite obtener resultados de investigación más significativos con un grupo más pequeño de animales, lo que significa que se necesitan menos animales para los experimentos de investigación biomédica.
- El método también ayuda a estandarizar los estudios de comportamiento, permitiendo comparar de forma más efectiva una variedad de estudios diferentes.
Existe una tarea específica en la que los investigadores del estrés que realizan experimentos con animales deben ser especialmente hábiles. Esto también se aplica a los investigadores que desean mejorar las condiciones en las que se mantienen los animales de laboratorio. Deben ser capaces de evaluar el bienestar de sus animales basándose en observaciones de comportamiento, ya que, a diferencia de lo que ocurre con los humanos, no pueden simplemente preguntarles cómo se sienten. Los investigadores del grupo dirigido por Johannes Bohacek, catedrático del Instituto de Neurociencia de la ETH de Zúrich, han desarrollado ahora un método que mejora significativamente el análisis del comportamiento de los ratones.
El proceso utiliza el análisis automatizado del comportamiento mediante visión artificial e inteligencia artificial. Se filman los ratones y las grabaciones de vídeo se analizan automáticamente. Si bien el análisis del comportamiento animal solía requerir muchos días de minucioso trabajo manual (y todavía lo requiere en la mayoría de los laboratorios de investigación actuales), los laboratorios más importantes del mundo han pasado a métodos eficientes de análisis automatizado del comportamiento en los últimos años.
Dilema estadístico resuelto
Un problema que esto genera es la gran cantidad de datos que se generan. Cuantos más datos y mediciones haya disponibles y más sutiles sean las diferencias de comportamiento que se deben reconocer, mayor será el riesgo de ser engañado por artefactos. Por ejemplo, estos pueden incluir un proceso automatizado que clasifique un comportamiento como relevante cuando no lo es. Las estadísticas presentan la siguiente solución simple a este dilema: es necesario realizar pruebas con más animales para anular los artefactos y aún así obtener resultados significativos.
“De esta manera contribuimos a una investigación biomédica más ética y más eficiente”.Johannes Bohaček
El nuevo método de los investigadores de la ETH permite obtener resultados significativos y reconocer diferencias sutiles de comportamiento entre los animales incluso en grupos más pequeños, lo que ayuda a reducir el número de animales en los experimentos y aumenta la utilidad de un experimento con un solo animal. Por lo tanto, apoya los esfuerzos de la ETH de Zúrich y otras instituciones de investigación en el campo de las 3R. Las 3R significan reemplazar, reducir y refinar, lo que significa intentar reemplazar los experimentos con animales con métodos alternativos o reducirlos mediante mejoras en la tecnología o el diseño experimental.
La estabilidad del comportamiento en el punto de mira
El método de los investigadores de la ETH no sólo aprovecha los numerosos patrones aislados y muy específicos del comportamiento de los animales, sino que también se centra en las transiciones de un comportamiento a otro.
Algunos de los patrones de comportamiento típicos de los ratones incluyen ponerse de pie sobre sus patas traseras cuando sienten curiosidad, permanecer cerca de las paredes de la jaula cuando son cautelosos y explorar objetos que son nuevos para ellos cuando se sienten audaces. Incluso un ratón que se queda quieto puede ser informativo: el animal está particularmente alerta o inseguro.
Las transiciones entre estos patrones son significativas: un animal que cambia rápidamente y con frecuencia entre ciertos patrones puede estar nervioso, estresado o tenso. Por el contrario, un animal relajado o confiado suele mostrar patrones de comportamiento estables y cambia entre ellos de forma menos abrupta. Estas transiciones son complejas. Para simplificarlas, el método las combina matemáticamente en un único valor significativo, lo que hace que los análisis estadísticos sean más robustos.
Comparabilidad mejorada
El profesor Bohacek, de la Escuela Politécnica Federal de Alemania, es neurocientífico e investigador del estrés. Entre otras cosas, investiga qué procesos cerebrales determinan si un animal es mejor o peor a la hora de afrontar situaciones estresantes. “Si podemos utilizar análisis de comportamiento para identificar –o, mejor aún, predecir– la capacidad de un individuo para manejar el estrés, podremos examinar los mecanismos cerebrales específicos que influyen en ello”, afirma. De estos análisis podrían derivarse posibles opciones terapéuticas para determinados grupos humanos de riesgo.
Con este nuevo método, el equipo de la ETH ya ha podido averiguar cómo reaccionan los ratones al estrés y a determinados medicamentos en experimentos con animales. Gracias a la magia de la estadística, se pueden reconocer incluso diferencias sutiles entre animales individuales. Por ejemplo, los investigadores han logrado demostrar que el estrés agudo y el estrés crónico modifican el comportamiento de los ratones de forma diferente. Estos cambios también están relacionados con diferentes mecanismos en el cerebro.
El nuevo enfoque también aumenta la estandarización de las pruebas, lo que permite comparar mejor los resultados de una variedad de experimentos, incluso aquellos realizados por diferentes grupos de investigación.
Promoción del bienestar animal en la investigación
“Si utilizamos inteligencia artificial y aprendizaje automático para el análisis del comportamiento, contribuimos a una investigación biomédica más ética y eficiente”, afirma Bohacek. Él y su equipo llevan años trabajando en el tema de la investigación 3R. Para ello han creado el 3R Hub en la ETH, cuyo objetivo es influir positivamente en el bienestar animal en la investigación biomédica.
«El nuevo método es el primer gran éxito del ETH 3R Hub, y estamos orgullosos de ello», afirma Oliver Sturman, director del Hub y coautor de este estudio. El 3R Hub contribuye ahora a que el nuevo método esté disponible para otros investigadores de la ETH y de otras instituciones. «Los análisis como el nuestro son complejos y requieren una amplia experiencia», explica Bohacek. «La introducción de nuevos enfoques 3R suele ser un gran obstáculo para muchos laboratorios de investigación». Esta es precisamente la idea detrás del 3R Hub: permitir la difusión de estos enfoques mediante el apoyo práctico para mejorar el bienestar animal. ETH zürich. Traducido al español
Contacto