哪些神经回路驱动适应运动行为?这些行为在神经编码中又如何表现呢?

哈佛大学罗兰研究中心(Rowland Institute)的马蒂斯实验室Mathis Lab 研究人员透过脑/行为互动研究，揭示了这些问题的答案。由马蒂斯Mackenzie Mathis博士所领导的团队「[目的]在于了解神经回路对于适应性运动行为所产生的影响」。其研究的挑战在于将特定的行为与特定脑部活动相连结。以老鼠作为研究个体，这些科学家们使用The Imaging Source DMK 37BUX287相机进行高速录影，结合实验室自行开发的开源软体工具DeepLabCut所写成的机器学习演算法，来追踪老鼠的行为事件及相应其脑部活动。

图1 : 马蒂斯实验室(Mathis Lab)的研究人员藉由机器学习工具及光遗传学原理，了解神经??路对於适应性运动行为的影响。 (照片来源: Cassandra Klos)

就本质上，研究人员必须能够精确且全面地追踪老鼠的行为并提供定量资料，来描述动物的动态。马蒂斯博士表示:「我们想了解动物们如何适应环境，而观察它们的运动行为是一个很好的开始，以阐释大脑如何达成这些任务。

因此，研究计画的第一步就是在动物学习新任务时对其进行观察。 」其团队借重DMK 37BUX287所构成的多相机影像追踪系统。他们的研究个体行动相当快速，马蒂斯博士接着表示:「…老鼠能够在大约200毫秒内快速地触及并抓取物体，因此我们必须采用高画面播放速率且优质解析度的相机。」

影片录影是有效记录动物行为的一种方法，然而撷取姿态(即多个身体部位的几何构型) ，多年来一直是研究人员的一项难题。在人体研究领域中，先进的动态捕捉可透过标记来追踪关节和四肢动作。

然而，基于种种因素，运用于研究动物体上，这种方法却不切实际。也就是说，至今，人们仍然使用手动数位元录影方式来追踪动物行为 (即以人工方式逐帧编码标注影片) – 这种劳力密集的过程往往导致结果不够精确，且额外增加了数百甚或数千小时的研究时间。

图2 : 近期，DeepLabCut装备两台DMK 37 BUX287相机以捕捉高速录影，并藉由其影像帧数进行无标记3D姿态撷取。 (source: Cassandra Klos)

为了自动撷取研究个体的姿态，马蒂斯博士团队开发了DeepLabCut: 一套开源软体，由使用者自订身体部位的无标记姿态估算。根据(人体)姿态估计演算法DeeperCut，研究人员使用基于深度卷积神经网路(CNN)的演算法，专门针对此项任务进行训练。

图3 : DeepLabCut 自动追踪及标记(红、白、蓝点)老鼠的动态。 (source: Mackenzie Mathis)

根据《Nature Neuroscience》期刊中所发表的一篇论文，作者表述该团队藉由「调整预训练过的模组运用至新的任务上[....过程经由] 即被称为迁移学习(transfer learning)的现象。」而得以显著地减少所必要的训练资料的资料量。 DeepLabCut程式设计库具稳健性且高效率，即使是相对少量的图像(约200)，「其演算法亦能达到极佳的追踪表现。」

许多科学家们皆赞誉此软体套件是一项颠覆传统、完全崭新的发展。马蒂斯实验室也使用了The Imaging Source 的IC Capture并增添The Imaging Source相机应用程式camera control API至GitHub。