数据切割分析模型揭示了大脑的复杂性

对于研究动物行为的科学家而言，即使是最简单的round虫也构成了巨大的挑战。蠕动的蠕虫，成群的鸟和步行的人的运动时时刻刻在变化，肉眼无法捕捉到。但是现在，冲绳科技大学研究生院(OIST)和阿姆斯特丹自由大学的研究人员已经开发出一种将这种动态行为解析为可消化块的方法。

OIST生物物理理论系的研究者和研究生Tosif Ahamed表示：“即使您只是想将运动分为前进，后退或转弯，也无法肯定。”由格雷格·史蒂芬斯(Greg Stephens)教授以及丸山一郎(Ichiro Maruyama)教授领导的信息处理生物学小组负责。通过将观察结果移交给自适应模型，研究人员发现了他们本来会错过的细微之处。“使用这种方法，我们不必丢弃任何细节。”

该研究于2019年1月17日在线发表在美国国家科学院院刊上，该研究发现复杂的动力学可以分解为一组简单的线性模式。研究人员根据这些模式随时间的变化将数据划分为不同的时间窗口。通过聚类统计上相似的时间窗口，该模型揭示了动物不断变化的大脑状态和运动行为的不同模式。

该论文的第一作者，阿姆斯特丹自由大学物理与天文学系的研究生安东尼奥·科斯塔(Antonio C. Costa)说：“从一开始，您就只做很少的假设。”“您可以让数据告诉您动物在做什么。这可能功能强大……并且可以让您找到新的行为类别。”来自生物物理理论部和阿姆斯特丹自由大学的研究人员进行了局部线性分析，以将线虫蠕虫线虫的复杂姿势运动降低为简单的成分-类似于将口语转换为音素。顶部的视频显示了秀丽隐杆线虫的姿势行为片段，该片段会自动分解为反向，盘绕和向前运动(底部)。

爬行-看起来并不简单

该模型揭示了最简单的动作之一即爬行的丰富复杂性。科学家可以观察到秀丽隐杆线虫在蠕动向前，转向或反转以向后爬行时发生变化。这些行为看起来很简单，但是在仔细检查后，每个动作都有其自身的多样性和细微差别。

有多种爬网方式。

“我们通过观察蠕虫来暗中了解这些粗略的行为类别。

但是，它们并不是那么简单。”史蒂芬斯教授说，他还曾在阿姆斯特丹Vrije Universiteit大学任职。“有许多细微的行为状态，您可能无法用肉眼看到。”

数据表明，秀丽隐杆线虫保持蓄势待发，随时准备改变行为。就像敏捷的拳击手一样，为响应对手的下一个刺戳而准备摆动或编织，蠕虫的运动徘徊在一个图案和另一个图案的边缘。先前的研究表明，人类等更复杂的生物也表现出这种适应性。新的建模技术使科学家可以直接量化这些动力学。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！