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