Kinder haben die wunderbare Angewohnheit, die unangenehmste Frage zu stellen: Warum? Warum ist der Himmel blau? Warum fliegen Vögel in V-Formation? Warum bewegt die Katze ihren Schwanz? Und wie sich herausstellt, ist „Warum?“ auch die Frage, die mir am häufigsten gestellt wird, wenn ich meine eigene Forschung erkläre. Ich beschäftige mich mit Deep Learning im Bereich des Tierverhaltens. Das klingt zunächst meist spannend: KI und Tiere. Und ich erkläre weiter: Ich verwende Methoden, um die Bewegungen von Tieren über längere Zeiträume hinweg zu verfolgen, die Qualität unserer Aufzeichnungen zu verbessern und Informationen wie Bewegungsrichtung oder Handlungen zu extrahieren.
Die Folgefrage lautet fast immer: „Okay … aber warum ist das wichtig?“ Warum sollte es uns interessieren, ob ein Modell eine Maus genauer verfolgen kann? Warum brauchen wir KI, um zu erfahren, ob eine Fruchtfliege nach links oder rechts geflogen ist? Um diese Frage zu beantworten, müssen wir einen Schritt zurücktreten.
Warum interessieren wir uns überhaupt für das Verhalten von Tieren?
Der erste Ansatz zur Erforschung des Tierverhaltens besteht darin, zu verstehen, wie Tiere überleben, sich fortpflanzen, kommunizieren, kooperieren oder konkurrieren, für ihren Nachwuchs sorgen oder sich an veränderte Umgebungen anpassen. Das Verhalten ist unser direktester Einblick in diese Fragen. Wenn wir beobachten, was Tiere tun, erfahren wir, wie sie diese Herausforderungen meistern. Dies ist das klassische Gebiet der Ethologie: die Erforschung des Tierverhaltens in natürlichen Umgebungen. Das ist natürlich für die wissenschaftliche Neugier wichtig (wer war noch nie von einer Tierdokumentation fasziniert?), aber auch für den Erhalt der Artenvielfalt. Eine Art, die ihre Fressgewohnheiten, Paarungsrituale oder ihre soziale Struktur ändert, kann ein Frühwarnzeichen dafür sein, dass sich ihre Umwelt verändert. Gelegentlich kann dies uns auch dazu inspirieren, bessere Lösungen für bestimmte Probleme zu finden: Ameisen können uns helfen, bessere Wege in komplexen Routenkarten zu finden (Ant-Colony-Optimization-Algorithmen), oder Vierbeiner können uns helfen, stabilere und energieeffizientere Roboter zu bauen (Arbeiten von Owaki & Ishiguro).
Die zweite Antwort liegt in der Beziehung zwischen Gehirn und Verhalten: Letztendlich ist Verhalten das Endergebnis der Gehirnaktivität. Während die Ethologie fragt, wie sich Tiere in der Welt verhalten, fragt die Neurowissenschaft, wie das Gehirn dies ermöglicht. Wie entscheidet eine Maus, ob sie ihre Umgebung erkunden oder stillstehen soll? Wie ändert eine Fliege ihre Flugrichtung? Wie findet ein Fisch einen Partner? Wie werden die Welt und die darin enthaltenen Reize wahrgenommen? Welche Neuronen verarbeiten und übertragen die Informationen? Wie werden diese Informationen an den Körper zurückgeleitet, damit er sich bewegen und auf die Situation reagieren kann?
Dies sind nicht nur faszinierende Fragen der Grundlagenforschung; ihre Erforschung hilft uns auch, das menschliche Gehirn und seine neurologischen Störungen zu verstehen. Da die Neurowissenschaften das Nervensystem verstehen wollen, dient Verhalten oft als Fenster auf die Auswirkungen von Veränderungen im Gehirn. Nun, da wir die Gründe verstehen, warum wir Verhalten messen wollen,…
Wie messen wir das Verhalten von Tieren?
In der Vergangenheit hing die Antwort vom jeweiligen Fachgebiet ab. Verhaltensforscher streben oft danach, das Verhalten möglichst umfassend zu beschreiben und und listen alle beobachteten Handlungen in einem Ethogramm auf, einer strukturierten Beschreibung des Verhaltens. Ein Tier kann sich ausruhen, fortbewegen, sich putzen, umwerben, fressen, drohen oder sich zurückziehen – und jede Kategorie kann sich in spezifischere Unterhandlungen verzweigen. Ein Ethogramm ist nicht nur eine Liste, sondern ermöglicht es Forschern zu beschreiben, welche Verhaltensweisen auftreten, wie oft sie auftreten, wie lange sie andauern und in welcher Reihenfolge sie auftreten. Dieser Ansatz behandelt Verhalten als etwas, das an sich schon beschreibenswert ist.
Die Neurowissenschaften hingegen stützten sich häufig auf vereinfachte Verhaltensmessungen. Diese Messungen wurden hauptsächlich an betäubten Tieren oder anhand kontrollierter stereotyper Verhaltensparadigmen durchgeführt. Anhand betäubter Tiere konnten Forscher zwar ein klareres Bild des Gehirns gewinnen, doch beschränkten sich die beobachtbaren Verhaltensweisen auf passive Bewegungen wie Schnurrhaarzuckungen oder Pupillenerweiterungen. Stereotype Verhaltensparadigmen wurden entwickelt, um bestimmte Fähigkeiten wie sensorische Verarbeitung, Lernen oder Angst auf standardisierte und reproduzierbare Weise über Experimente und Labore hinweg zu testen. In beiden Fällen wurden die gemessenen Verhaltensaspekte durch das Versuchsdesign vorgegeben, zum Beispiel: die Zeit bis zum Erreichen einer Belohnungszone, die Pupillenerweiterung als Reaktion auf einen Reiz oder die Anzahl der über Versuche hinweg erhaltenen Belohnungen.
Diese Messgrößen sind unglaublich nützlich. Der klassische Hebeldruck beispielsweise wurde zu einer leistungsstarken Methode, um Lernen, Belohnung, Motivation und Entscheidungsfindung zu untersuchen. Schon das Zählen, wie oft ein Tier einen Hebel drückt, kann zeigen, wie es lernt dass eine Handlung zu Futter führt, wie es Bestrafung vermeidet und wie es sich unter neuronalen Manipulationen verändert. Die Neurowissenschaften sind außerordentlich leistungsfähig geworden, wenn es darum geht, das Gehirn zu messen und zu manipulieren, jedoch allzu oft isoliert von realistischem Verhalten. Die Kluft zwischen der unglaublich präzisen Beschreibung von Neuronenverbindungen und Feuerungsmustern und der groben Verhaltensbeschreibung ist sehr groß geworden.
Aber warum haben sich die Neurowissenschaften so sehr an diese vereinfachten Messwerte geklammert?
Ein Grund dafür ist konzeptioneller Natur. Das Gehirn ist ein überaus komplexes System, weshalb sich ein isolierender Ansatz als erfolgreiche Strategie erwiesen hat: die Reduzierung des Problems. Anstatt zu versuchen, „alles zu verstehen, was das Tier tut“, können wir uns auf folgende Frage konzentrieren: Was können wir anhand einer genau definierten Bewegung oder Entscheidung über die spezifischen Komponenten des Gehirns , also Neuronen oder neuronale Schaltkreise, lernen?
Ein Grund dafür ist technischer Natur. Die Messung der Gehirnaktivität war früher nur möglich, wenn die Bewegungsfreiheit der Tiere eingeschränkt wurde. Inzwischen sind bildgebende Verfahren und Sensoren so klein geworden, dass sie vom Tier getragen werden können und freie Bewegungen ermöglichen. Den Forschern fehlten schlichtweg die Mittel, um komplexeres Verhalten zu untersuchen. Es war zwar möglich, Hebelbetätigungen oder Erstarrungsphasen von Hand zu zählen, aber es war nicht möglich, viele subtile Verhaltensweisen über stundenlange Videoaufnahmen hinweg kontinuierlich zu quantifizieren.
Wie KI die Tierverhaltensforschung vorantreibt und welche Herausforderungen bleiben
Kameras wurden billiger und schneller. Deep Learning hat die Bildverarbeitung revolutioniert. Es ist nun möglich, die Körperhaltung eines Tieres in 2D und 3D mit hoher Geschwindigkeit über lange Versuchszeiträume hinweg zu verfolgen. Tools wie DeepLabCut und LEAP haben gezeigt, dass tiefe neuronale Netze lernen können, benutzerdefinierte Körperteile direkt aus den Videoaufnahmen zu verfolgen. Endlich können wir Verhaltensweisen in unterschiedlichen Situationen genau untersuchen: im heimischen Käfig, in freier Wildbahn oder in einer Versuchsarena.
Diese schnellen Erkennungsmethoden wurden in unzähligen Studien eingesetzt. So hat beispielsweise die Hochgeschwindigkeitsverfolgung gezeigt, wie das Kleinhirn bei Ratten die Bewegungsbahnen der Pfoten präzise koordiniert und Bewegungsfehler korrigiert; bei Gesichtsbewegungen haben diese Methoden gezeigt, dass subtile Ausdrucksformen nicht nur sichtbar sind, sondern auch in Neuronenpopulationen der Großhirnrinde kodiert werden, wodurch das Verhalten direkt mit inneren Gehirnzuständen verknüpft wird.
Sobald man die Pose kennt, also die Körperhaltung des Tieres zu einem bestimmten Zeitpunkt, stellt sich die nächste Frage: Wie bewegt sich der Körper durch den Raum? Ein Ansatz hierfür besteht darin, das Verhalten hierarchisch zu analysieren, d. h. Posen zu kurzen Bewegungen, kurze Bewegungen zu längeren Bewegungen und schließlich zu Handlungen höherer Ordnung zusammenzufassen. Hier finden wir dasselbe Konzept wie im Ethogramm wieder, das Verhalten umfassend als kleine Sequenzen beschreibt, die in größere Sequenzen eingebettet sind. KI kann dabei helfen, Bewegungen und Handlungen zu erkennen sowie den Zeitpunkt, zu dem eine Handlung beginnt und endet. Tatsächlich können menschliche Experten Ereignisse wie Fellpflege, Aufbäumen, Schnüffeln und Jagen erkennen, und KI-Methoden können lernen, das zu reproduzieren, was menschliche Experten tun – nur schneller. „Die Annotation jedes Einzelbildes in einem einstündigen Video mit hoher Konfidenz wurde auf 22 Personenstunden geschätzt“ (von Ziegler et al. Neuropharmacology 2021).
KI-Methoden folgen zwei Arten von Ansätzen: Der eine basiert auf überwachtem Lernen, bei dem der Computer direkt aus Beispielen manuell markierter Videos lernt; der andere basiert auf unüberwachtem Lernen, bei dem ähnliche Verhaltenssequenzen gruppiert werden und diese Gruppen später mit den Markierungen von Experten verglichen werden können. In Mausmodellen der Alzheimer-Krankheit deckten diese Werkzeuge Veränderungen in der Struktur von Verhaltensmustern auf, wobei bei erkrankten Tieren fragmentiertere und unorganisiertere Sequenzen zu beobachten waren. Groß angelegte Analysen haben zudem lang gehegte Annahmen in Frage gestellt und bestätigt, dass weibliche Mäuse nicht variabler sind als männliche, wenn das Verhalten als Abfolge von Handlungen beschrieben wird. Hier fungiert KI hauptsächlich als Hilfsmittel: Aufgaben, die stundenlange manuelle Annotation durch Menschen erforderten, kann der Computer nun viel schneller erledigen.
Angesichts der steigenden Menge an gesammelten Verhaltensdaten lassen sich weitere Modelle erstellen, die Körperhaltungen und Bewegungsabläufe in einer virtuellen Simulationsumgebung nachbilden. Diese Modelle basieren auf experimentellen Daten, die Körperhaltungen, Muskelkräfte, Knochenlängen und die Winkel zwischen den Knochen erfassen. In diesen virtuellen Plattformen werden verschiedene Komponenten der Bewegung simuliert und sind jederzeit zugänglich: Skelett, Muskulatur, ganzer Körper. Systeme wie Virtual Rodent oder NeuroMechFly, die mit biomechanischen Einschränkungen (Anatomie und Körpermechanik), sensorischenInformationen und neuronalen Befehlen ausgestattet sind, können Bewegungsstrategien erzeugen, die an echte Tiere erinnern, und ermöglichen es zu testen, wie Körpermechanik und neuronale Befehle zusammenwirken, um Verhalten zu erzeugen. Diese „digitalen Tiere“ sind leistungsstark, da sie über die passive Beobachtung hinausgehen: Sie ermöglichen es uns, Experimente durchzuführen, die in vivo schwierig, langwierig oder unmöglich wären, indem sie Muskeln, neuronale Steuerung oder Umgebungsbedingungen in einer vollständig kontrollierten Umgebung beeinflussen. Anstatt nur zu fragen „Was hat das Tier getan?“, können wir nun fragen, welche Kombination aus Einschränkungen, neuronalen Signalen oder Körpermechanik ausreichen würde, um dieses Verhalten zu erzeugen.
Wie geht es weiter?
Durch die Schätzung von Körperhaltungen, die Erkennung von Handlungen und die Erstellung von Verhaltensmodellen bietet KI eine große Chance zur Skalierung: Es können mehr Videos in kürzerer Zeit verarbeitet und mehr Handlungstypen gleichzeitig untersucht werden. Für alle hier aufgeführten Anwendungszwecke (Tierverfolgung, Körperhaltungsschätzung, Handlungserkennung) erzielen KI-basierte Methoden die besten Ergebnisse. Wo liegt also derzeit der Engpass? Ich sehe zwei.
Die erste Hürde besteht darin, Werkzeuge wie die Posenschätzung und die Aktionserkennung wirklich zugänglich zu machen und dafür zu sorgen, dass sie in verschiedenen Labors funktionieren. Zwar sind diese Aufgaben im Prinzip „gelöst“ – es wurden Methoden entwickelt und getestet –, doch variieren die Verhaltensdaten je nach Labor, Kameraaufstellung, Tierlinie und Versuchsprotokoll… Ein Modell, das in einem Labor gut funktioniert, kann in einem anderen Probleme bereiten. Und diese Variabilität bleibt eine Herausforderung für Deep-Learning-Methoden. Manchmal erfordert das Erreichen qualitativ hochwertiger Ergebnisse eine erhebliche Menge an Daten und Experten-Labels, manchmal muss die Methode selbst an die neue Fallstudie angepasst werden.
In anderen Bereichen der KI lautet die Standardantwort auf ein schwieriges Problem oft: Sammle mehr Daten, trainiere ein größeres Modell, skaliere nach oben. Diese Strategie funktioniert, wenn man über Millionen von Bildern oder Milliarden von Wörtern verfügt.
Und im Gegensatz zur KI im Internet-Maßstab unterliegt die Verhaltensforschung bei Tieren einer strengen Einschränkung: Die Datensätze sind oft klein. In den Neurowissenschaften und der experimentellen Biologie ist eine Ausweitung der Datenerhebung nicht realistisch. Experimente sind teuer, zeitaufwendig, erfordern den Einsatz lebender Tiere und erfordern Fachwissen. Wir sollten nicht davon ausgehen, dass mehr Experimente allein das Problem lösen werden.
Wie können wir robustere Methoden entwickeln, die laborübergreifend funktionieren? Eine Antwort wäre, die Experimente laborübergreifend zu standardisieren, die gleichen Kameras und Versuchsanlagen anzuschaffen … Doch das würde unsere Kreativität und die Entwicklung neuer Experimente einschränken, mit denen wir die Grenzen unseres Wissens erweitern wollen. Wir können intelligentere Methoden entwickeln, indem wir unsere Daten besser nutzen (Datenerweiterung, synthetische Daten, andere Arten von angrenzenden Daten wie Zeitreihen), indem wir modulare Modelle erstellen, die sich relativ reibungslos an neue Daten anpassen können, und indem wir dateneigene Merkmale ohne menschliche Überwachung erlernen.
Die Erstellung allgemeinerer Modelle würde auch bedeuten, dass wir die zugrunde liegenden Mechanismen der Verhaltensgenerierung verstanden haben, da Variabilität ein zentrales Merkmal von Verhalten ist – und kein „Fehler“: Verhalten und die zugrunde liegenden neuronalen Schaltkreise, die es erzeugen, wurden im Hinblick auf Anpassung selektiert: um auf neue, unbekannte Situationen zu reagieren und unterschiedliche Individuen mit unterschiedlichen Neigungen zu schaffen, die das Überleben der Population begünstigen.
Der zweite Engpass besteht darin, zu lernen, wie man Verhalten detaillierter beschreiben kann. Anstatt die Handlungen eines Tieres auf eine einzige Zahl zu reduzieren, wollen wir erfassen, wie sich seine Bewegungen im Laufe der Zeit entfalten.
Lange Zeit war dies schlichtweg nicht möglich. Uns fehlten sowohl die Werkzeuge als auch die theoretischen Rahmenbedingungen, um Verhalten so detailliert zu beschreiben. Infolgedessen tun viele aktuelle KI-Methoden immer noch etwas sehr Vertrautes: Sie ahmen nach, was Menschen bereits taten – nur schneller. Doch die menschliche Beobachtung hat ihre Grenzen, wie etwa Unterschiede zwischen den Beobachtern, subjektive Verzerrungen und Veränderungen im Urteilsvermögen im Laufe der Zeit.
Um darüber hinauszugehen, haben Forscher begonnen, Verhalten nicht mehr mit Worten, sondern mit Zahlen darzustellen. Diese numerischen Darstellungen, oft als „Embeddings“ bezeichnet, ordnen jedes Verhalten in einen hochdimensionalen Raum ein – eine mathematische Darstellung, die viele Aspekte eines Verhaltens gleichzeitig erfasst. In diesem Raum liegen sich ähnliche Verhaltensweisen nahe beieinander. Diese Embeddings können mithilfe physikbasierter Modelle oder Deep-Learning-Ansätzen erstellt werden, die alle darauf abzielen, die Struktur von Verhaltenssequenzen besser zu erfassen.
Dieser Wandel bringt jedoch neue Herausforderungen mit sich. Verschiedene Methoden können zu sehr unterschiedlichen Darstellungen führen, und es gibt keinen einzigen „richtigen“ Weg, Verhaltensweisen zu gruppieren oder zu clustern. Manche Verhaltensweisen können sich überschneiden, und verschiedene Studien können sich auf unterschiedliche Detailebenen konzentrieren. Vor allem aber rückt die Validierung in den Mittelpunkt: Woher wissen wir, dass diese Cluster tatsächlich aussagekräftigen Verhaltensweisen entsprechen?
Dies wirft eine tiefgreifendere Frage auf. Gibt es eine universelle Methode zur Beschreibung von Verhalten – eine Art „Verhaltensatlas“, der experimentübergreifend funktioniert? Oder müssen wir jedes Mal unterschiedliche Werkzeuge wählen, je nachdem, welche Frage wir stellen? Explorative Methoden sind leistungsstark und sensibel, aber sie zwingen uns auch, uns einer schwierigen Frage zu stellen: Wem sollen wir vertrauen, und wie validieren wir unsere Ergebnisse?
Um Verhalten zu verstehen, müssen wir über einfache Messungen hinausgehen und reichhaltigere, dynamischere Beschreibungen entwickeln – und genau hier kommt der KI eine entscheidende Rolle zu. Diese Werkzeuge eröffnen zwar neue Möglichkeiten, zwingen uns aber auch dazu, die Art und Weise zu überdenken, wie wir das Beobachtete interpretieren und validieren. Letztendlich geht es nicht nur darum, Verhalten effizienter zu analysieren, sondern auch darum, Prinzipien aufzudecken, die bisher unerreichbar waren.
Weiterführende Informationen
- Von Ziegler, Lukas, Oliver Sturman, and Johannes Bohacek. „Big behavior: challenges and opportunities in a new era of deep behavior profiling.“ Neuropsychopharmacology 46.1 (2021): 33-44. https://doi.org/10.1038/s41386-020-0751-7
- Pereira, Talmo D., Joshua W. Shaevitz, and Mala Murthy. „Quantifying behavior to understand the brain.“ Nature neuroscience 23.12 (2020): 1537-1549. https://doi.org/10.1038/s41593-020-00734-z
