AI-Drevet 3D NHP-atferdsanalyse|Markørløs atferdsfenotyping

Atferdsvurdering er et av de mest informative funksjonelle endepunktene i forskning på ikke-human primater (NHP). Innen nevrovitenskap og sentralnervesystem (CNS) medikamentutvikling, gir endringer i bevegelse, holdning, bevegelse og spontan atferd ofte tidligere og mer klinisk relevante indikatorer på sykdomsprogresjon eller terapeutisk respons enn konvensjonelle biokjemiske målinger alene.

Ettersom translasjonsstudier i økende grad fokuserer på nevrologiske lidelser,-immunmedierte sykdommer, kroniske smerter og genterapier, krever forskere atferdsendepunkter som er objektive, reproduserbare og sensitive nok til å oppdage subtile funksjonsendringer. Tradisjonelle observasjon-baserte skåringsmetoder er imidlertid ofte avhengige av manuelle vurderinger eller markør-baserte sporingssystemer som introduserer variasjon, begrenser gjennomstrømning og kan endre naturlig dyreatferd.

Nylige fremskritt innen datasyn og kunstig intelligens har aktivert markørløs tre-dimensjonal atferdsanalyse, slik at forskere kan kvantifisere komplekse atferdsfenotyper med enestående presisjon samtidig som eksperimentell interferens minimeres.

Atferdsevaluering har lenge fungert som et viktig endepunkt i preklinisk farmakologi. Ikke desto mindre står konvensjonelle tilnærminger overfor flere godt-kjente begrensninger.

Manuell scoring er iboende subjektiv og varierer ofte mellom observatører. Markør-baserte bevegelsesfangstsystemer krever reflekterende markører eller bærbare sensorer som kan forstyrre naturlig bevegelse eller indusere stressresponser. To-dimensjonal videoanalyse sliter også med kroppsokklusjon, perspektivforvrengning og manglende evne til nøyaktig å rekonstruere bevegelser som skjer utenfor en enkelt kameravisning.

Disse begrensningene blir spesielt viktige hos ikke-menneskelige primater, hvis atferdsrepertoarer er betydelig mer sofistikerte enn gnagermodeller. Finmotorisk kontroll, posturale overganger, pleieadferd, sosial interaksjon, skraping, klatring og koordinerte lembevegelser forekommer ofte samtidig og kan ikke fullt ut karakteriseres ved bruk av konvensjonelle metoder.

Ettersom regulatoriske forventninger i økende grad vektlegger kvantitative og reproduserbare farmakodynamiske endepunkter, blir mer avanserte atferdsanalyseteknologier en viktig komponent i translasjonsforskning.

Markørløs atferdsanalyse kombinerer synkronisert multi-kamerainnsamling med dyp læring-basert positur for å rekonstruere tre-dimensjonale skjelettbevegelser uten å feste noen fysiske markører til dyret.

I stedet for å stole på eksterne sensorer, identifiserer AI-algoritmer anatomiske landemerker direkte fra videobilder og estimerer kontinuerlig kroppsholdning gjennom opptaksperioden. Flere synkroniserte kameravisninger reduserer okklusjon samtidig som de muliggjør romlig rekonstruksjon på millimeter-nivå av kroppsbevegelser.

Denne tilnærmingen gir flere vitenskapelige fordeler.

Fordi ingen fysiske markører er festet, kan dyr bevege seg naturlig med minimal eksperimentell interferens, noe som reduserer stressrelaterte atferdsartefakter-. Automatisert analyse fjerner også mye av observatørskjevheten knyttet til manuell scoring samtidig som det muliggjør standardisert datagenerering på tvers av studier og laboratorier.

Utover enkle lokomotoriske målinger kan AI-baserte systemer trekke ut kinematiske parametere, bevegelsesbaner, leddvinkler, stillingsoverganger og atferdssekvenser som er vanskelige eller umulige å kvantifisere manuelt. Disse flerdimensjonale datasettene gir en rikere representasjon av nevrologisk funksjon og behandlingsrespons.

Kvantitativ atferdsfenotyping blir stadig mer verdifull gjennom hele legemiddelutviklingsprosessen.

I nevrovitenskapelig forskning støtter markørløs 3D-analyse objektiv karakterisering av sykdomsfenotyper i modeller av Parkinsons sykdom, hjerneiskemi, epilepsi, Huntingtons sykdom, ryggmargsskade og andre nevrologiske lidelser. Kontinuerlig overvåking gjør det mulig for forskere å evaluere subtile endringer i gang, holdning, koordinasjon, skjelving og spontan aktivitet over tid.

Atferdsmessige endepunkter gir også viktige farmakodynamiske bevis under effektstudier. Ved å sammenligne baseline-atferd med longitudinelle målinger etter-behandling, kan forskere kvantifisere funksjonell forbedring, identifisere dose-responsforhold og bedre forstå terapeutiske mekanismer.

Teknologien er like anvendelig utenfor tradisjonelle CNS-indikasjoner. Lidelser som involverer kronisk smerte, kløe, betennelse eller nevromuskulær dysfunksjon produserer ofte karakteristiske atferdssignaturer som nå kan måles objektivt ved hjelp av automatisert analyse.

Fordi ikke-menneskelige primater deler svært konservert nevroanatomi og motorisk funksjon med mennesker, kan disse kvantitative atferdsdatasettene gi større translasjonsrelevans enn sammenlignbare målinger oppnådd i gnagermodeller.

For å støtte stadig mer sofistikerte atferdsmessige endepunkter i studier av ikke-menneskelige primater, har Prisys Biotech etablert enAI-aktiverte markørløs 3D-atferdsanalysearbeidsflyt innenfor sin translasjonsforskningsplattform. Løsningen er utplasserti samarbeid med Bayone, som integrerer avansert datasyn og AI-basert atferdsanalyse i prekliniske farmakologistudier samtidig som Prisys kan fokusere på studieutførelse, sykdomsmodellering, dataintegrasjon og translasjonstolkning.

Arbeidsflyten inkluderer synkronisert videoinnsamling med flere-visninger, tre-dimensjonal rekonstruksjon av positur, automatisert atferdsgjenkjenning og kvantitativ atferdsrapportering. Mer enn tjue anatomiske nøkkelpunkter kan spores samtidig, noe som muliggjør detaljert analyse av bevegelsesbaner, holdning, bevegelse, klatring, stående, hengende, stelle, skrape og annen spontan atferd. Disse egenskapene samsvarer med det tekniske rammeverket beskrevet for den AI-baserte NHP-atferdsanalyseplattformen.

Viktigere, Prisys bruker denne muligheten somdel av integrerte farmakologistudier i stedet for som frittstående programvare, som kombinerer atferdsanalyse med sykdomsmodeller, PK/PD-evaluering, klinisk avbildning, patologi, biomarkørvurdering og statistisk tolkning.

Et eksempel på denne samarbeidsarbeidsflyten er den automatiserte evalueringen av patologisk skrapeatferd i studier av ikke-human primater pruritus.

Ved å bruke multi-visningssporing, tre-dimensjonal poseringsestimering og optisk flyt-basert atferdsgjenkjenning, kan skrapeepisoder oppdages automatisk og kvantifiseres med høy konsistens. I stedet for å stole utelukkende på manuell observasjon, oppnår forskerne standardiserte målinger av skrapefrekvens, varighet og atferdsdynamikk, og gir objektive farmakodynamiske endepunkter for å evaluere anti-kløebehandlinger.

Denne atferdsmessige arbeidsflyten utfyller Prisys'IL-31-indusert ikke-human primat pruritus-modell, som støtter translasjonsevaluering av nye anti-kløe- og nevroimmune terapier.

Kunstig intelligens transformerer atferdsfenotyping fra subjektiv observasjon til kvantitative digitale biomarkører. Ettersom legemiddelutvikling i økende grad vektlegger funksjonelle resultater, longitudinell overvåking og translasjonsforutsigbarhet, forventes markørløs tre-dimensjonal atferdsanalyse å bli en stadig viktigere komponent i preklinisk nevrovitenskapelig forskning.

Når integrert med avanserte ikke-humane primatsykdomsmodeller, klinisk-avbildning, PK/PD-analyse og molekylære biomarkører, muliggjør AI-assistert atferdsfenotyping en mer omfattende forståelse av terapeutisk effekt samtidig som den forbedrer translasjonsverdien av prekliniske studier.

Hos Prisys Biotech er denne evnen integrert i tverrfaglige translasjonsforskningsprogrammer gjennom samarbeid med spesialiserte teknologipartnere, noe som gir sponsorer tilgang til standardiserte, kvantitative atferdsmessige endepunkter som en del av integrerte farmakologiske studier av ikke-menneskelige primater.

Kontakt Prisys Biotech