Voedsel zoeken: machine learning decodeert genetische invloed
op gedrag
Dick Schrauwen [1]
Muizen rennen in het rond wanneer ze op zoek zijn naar voedsel,
maar genetica kan de onzichtbare hand zijn die deze ogenschijnlijk
onvoorspelbare bewegingen aanstuurt. Onderzoekers van de University
of Utah Health (UHH) [2] gebruiken machine learning [3] om verbanden
te leggen tussen genetische mechanismen die de incrementele stappen
van instinctief en aangeleerd gedrag bepalen. De resultaten zijn
online beschikbaar in Cell Reports [4] sinds 13 augustus.
"Patronen van complex gedrag, zoals het zoeken naar voedsel, zijn
samengesteld uit sequenties die willekeurig, spontaan en
ongestructureerd lijken ", zegt Christopher Gregg, Ph.D.,
universitair docent neurologie en anatomie aan UUH en hoofdauteur
van de studie. "Met behulp van machine learning ontdekten we
discrete reeksen die vaker worden voorkomen dan je op basis van
toeval zou verwachten. We ontdekten ook dat die gedragsreeksen zijn
geworteld in de biologie."
Het onderzoeksteam waagt zich op het nieuwe terrein van
gedragsreeksen (behavioral sequencing [5]). "We proberen de
architectuur van complex gedrag te begrijpen en hoe genetica deze
patronen aanstuurt," zegt Gregg.
Het onderzoek ondersteunt het idee dat complex gedrag bestaat uit
een verzameling eindige bouwstenen die de auteurs gedragsmodules
noemen en dat genetica de opeenvolging van die bouwstenen regelt om
verschillende gedragspatronen te vormen.
Het onderzoeksteam analyseerden 190 muizen met verschillen in hun
genetica en leeftijd. De muizen begaven zich van hun thuisomgeving
maar een speciaal voor dit onderzoek gemaakte 'arena'. Daarbij
analyseerden ze gedragssequenties die zich voordeden bij het zoeken
naar voedsel.
Bij het zoeken naar voedsel vertonen muizen gedrag waarbij veel
neurale systemen betrokken zijn om zoekgedrag, angst, beloning,
lijfsbehoud, honger, verzadiging, aandacht, navigatie en geheugen
aan te sturen. De nieuwe onderzoeksmethoden onthulden dat
verschillende genetische en leeftijdseffecten invloed hebben op de
verschillende gedragssequenties.
"De meeste soorten hebben een activiteitsgebied en hun gedrag is
gestructureerd rond dit gebied", zegt Gregg. "We konden zich
herhalende gedragsreeksen identificeren en deze informatie gebruiken
om complexe gedragspatronen met een langere tijdsduur te begrijpen".
Het team analyseerde de tocht van thuis naar een voedselbron en
vice-versa (van voedsel naar thuis) wat 5600 muisacties opleverde.
Extra informatie werd ingebed in deze acties zoals looppatroon,
snelheid, afgelegde afstand en bezochte locaties. Met behulp van
machine learning werd deze informatie geanalyseerd en
identificeerden de onderzoekers 71 gedragsreeksen die de
onderliggende bouwstenen zijn voor complexere gedragspatronen.
De overgang van de ene 'bouwsteen' naar de volgende impliceert
een mechanistische relatie die specifiek foerageergedrag oplevert
dat predatierisico, energieverbruik en calorie-inname minimaliseert.
Bovendien kon het algoritme spontane responsen identificeren die
uniek waren voor specifieke muizen.
Gregg gelooft dat deze benadering gevoelig genoeg is om een
mutatie op te sporen in (de kopie van) één gen. Om dit punt te
bewijzen, concentreerde zijn team zich op foerageergedrag bij muizen
met een mutatie in een gen, Magel2 [6], dat in verband wordt
gebracht met autisme. Bijvoorbeeld: de kopie van de moeder is
uitgeschakeld, maar de kopie van de vader is ingeschakeld. In dit
scenario werd in het algemeen aangenomen dat het exemplaar van de
moeder stil was en geen invloed had op de nakomelingen. Dus niet!
"Wat voor ons opwindend was, was dat we significante effecten op
het gedrag van een enkele mutatie konden detecteren in alleen het
gen van de moeder", zegt Gregg.
Op dit moment heeft het onderzoek alleen de bouwstenen van
foerageergedrag in proefmuizen onderzocht. Gregg gelooft dat de
methodologie kan worden toegepast om de basis van andere complexe
gedragspatronen te begrijpen en de specifieke genomische elementen
te leren kennen die het gedrag bepalen dat leidt tot ziekte bij
mensen zoals obesitas, verslaving, angst, spanning en psychiatrische
stoornissen.
"Door complex, schijnbaar spontaan gedrag op te delen, konden we
dingen detecteren die in andere studies niet waarneembaar waren",
zegt Gregg. "Als er een mutatie is die bij mensen ziekte
veroorzaakt, hopen we deze methode te kunnen gebruiken om deze toe
te wijzen aan specifieke gedragsbouwstenen om te achterhalen hoe
genen bijdragen aan het uitlokken van bepaalde gedragspatronen."
Verwijzingen
[1] Bewerking van onderstaand persbericht
-
https://unews.utah.edu/foraging-for-information-machine-learning-decodes-genetic-influence-over-behavior/
[2] University of Utah Health (UUH)
-
https://uofuhealth.utah.edu/research/
[3] Machine Learning, Machinaal leren
-
https://en.wikipedia.org/wiki/Machine_learning
-
https://nl.wikipedia.org/wiki/Machinaal_leren
[4] Publicatie
-
https://www.cell.com/cell-reports/fulltext/S2211-1247(19)30935-0
[5] Behavioral sequencing
-
https://dictionary.apa.org/behavioral-sequence
[6] Magel2
-
https://www.wikigenes.org/e/gene/e/54551.html
September 2019
Disclaimer
|
Raadpleeg bij medische klachten altijd
eerst een arts
of medisch specialist. De informatie op
deze site is niet bedoeld als vervanging van de diensten of informatie van
medische professionals en/of zorgverlenende instanties, noch kunnen bezoekers diagnostische of therapeutische waarde hechten
aan deze informatie voor de eigen medische situatie of die van
anderen. |