موشکافی حس ترس در موش‌ها
احساسات، واکنش‌های درونی و ذاتی موجودات زنده نسبت به محرک‌های بیرونی هستند که به‌طور مستقیم بر رفتار، شناخت و وضعیت‌های فیزیولوژیکی آنها تاثیر می‌گذارند. پژوهش در زمینه احساسات حیوانات نه تنها به شناخت الگوهای رفتاری آنها کمک می‌کند، بلکه اطلاعات مهمی را برای علوم اعصاب، تحقیقات روان‌پزشکی و غربالگری دارویی فراهم می‌سازد.
در میان انواع احساسات، ترس به‌عنوان یک واکنش فیزیولوژیکی حیاتی نسبت به تهدیدات، نقشی کلیدی در بقا، سازگاری، تصمیم‌گیری و شکل‌گیری حافظه ایفا می‌کند. تشخیص و تحلیل ترس برای درک سازوکارهای احساسی حیوانات و نمود آنها در رفتارشان ضروری است.
درحال حاضر، تحقیقات در زمینه احساسات حیوانات عمدتا بر مشاهدات رفتاری و اندازه‌گیری‌های فیزیولوژیکی متکی هستند. روش‌های رایج ارزیابی احساسات معمولا با مشاهده حرکات حیوان یا پایش سیگنال‌های فیزیولوژیکی تلاش می‌کنند وضعیت احساسی را استنباط کنند. با این حال این روش‌های سنتی اغلب ذهنی، ناکارآمد و پیچیده‌اند و نمی‌توانند به‌صورت جامع تغییرات احساسی را در زمان واقعی ثبت کنند. این موضوع به ویژه در مواقعی که پاسخ‌های احساسی پیچیده در حال پایش هستند، بیشتر نمود پیدا می‌کند؛ زیرا داده‌های تک‌بعدی رفتاری یا فیزیولوژیکی قادر به بازتاب دقیق وضعیت احساسی حیوان نیستند.در سال‌های اخیر، با پیشرفت فناوری‌هایی نظیر بینایی ماشین، رهگیری حرکت، شناسایی وضعیت بدن و رمزگذاری چندوجهی، روش‌های تشخیص احساسات بر پایه داده‌های چندمدی (مانند حالات چهره، وضعیت بدن و مسیرهای حرکتی) پتانسیل بالایی را نشان داده‌اند. حالات چهره، تغییرات در وضعیت بدن و مسیرهای حرکتی، شاخص‌های مهمی از وضعیت احساسی حیوان به شمار می‌روند و بازتابی از پاسخ‌های آنی احساسی هستند. با ترکیب این ویژگی‌های مختلف، روش‌های یادگیری چندوجهی می‌توانند ارزیابی‌های احساسی دقیق‌تر و جامع‌تری فراهم کنند. روش‌های تشخیص احساسات چندوجهی نه تنها دقت را افزایش می‌دهند، بلکه کمبودهای روش‌های تک‌منبعی را نیز جبران می‌کند و عملکرد کلی را بهبود می‌بخشند. در مطالعه‌‌ای تازه که ششم آوریل ۲۰۲۵ در مجله Nature منتشر شد، تیمی شش نفره از پژوهشگران تلاش کردند به تشخیص لحظه‌ای احساس ترس در موش‌ها بر اساس تلفیق داده‌های چندوجهی دست یابند.
چگونگی آزمایش
در این مطالعه برای تشخیص احساس ترس در موش‌ها، طراحی آزمایشی دقیق و یک مدل پیشرفته یادگیری عمیق مبتنی بر داده‌های چندوجهی به کار گرفته شده است. تعداد ۱۰۰ موش نژاد BALB/c به صورت تصادفی به گروه‌های آزمایش و کنترل تقسیم شدند. موش‌های گروه آزمایش در معرض شوک‌های خفیف الکتریکی قرار گرفتند تا واکنش ترس در آنها ایجاد شود؛ در حالی که گروه کنترل در محیطی بی‌خطر، آزادانه حرکت می‌کردند. برای ارزیابی دقیق‌تر، هر موش تحت سه تکرار از دو شرایط مختلف (ترس‌آور و خنثی) قرار گرفت و رفتار یخ‌زدگی (freeze) به‌عنوان شاخص اصلی ترس، با استفاده از ویدئو و نرم‌افزار ردیابی ثبت و تحلیل شد.به‌منظور جمع‌آوری داده‌های رفتاری و احساسی، از دوربین‌های با کیفیت بالا با نرخ فریم ۱۰۰ استفاده شد که حالات چهره، حرکات بدن و مسیر حرکت موش‌ها را ثبت کردند. برای استخراج اطلاعات از این داده‌ها، از مدل‌های یادگیری عمیق پیشرفته مانند DeepLabCut برای ردیابی وضعیت بدن و موقعیت و از Fast R-CNN برای شناسایی چهره موش‌ها استفاده شد. حتی در شرایطی که به دلیل حرکت سریع یا زاویه دید صورت موش قابل مشاهده نبود، با استفاده از «توکن خالی» انسجام داده‌های چندوجهی حفظ شد.تمام این داده‌ها در یک مدل چندوجهی با معماری BERT ادغام شدند که وابستگی‌های زمانی میان حرکات و حالات را نیز در نظر می‌گرفت. با استفاده از مکانیزم «توجه خودکار» (Self-Attention)، مدل توانست ویژگی‌های مهم از میان حالت چهره، وضعیت بدن و مسیر حرکت استخراج کند و آنها را برای طبقه‌بندی دقیق احساسات ترکیب کند.مدل ابتدا به صورت جداگانه روی هر نوع داده (چهره، وضعیت، مسیر) آموزش داده شد و سپس برای ترکیب نهایی از آنها در قالب یک سیستم یکپارچه استفاده شد. عملکرد مدل با استفاده از معیارهایی مانند دقت، حساسیت و ویژگی (specificity) ارزیابی شد. همچنین داده‌های فیزیولوژیکی مانند سطح کورتیزول و ضربان قلب به‌عنوان معیار مرجع مورد استفاده قرار گرفت تا صحت پیش‌بینی مدل درباره وجود احساس ترس تایید شود.
یافته‌ها
این مطالعه روش نوینی برای شناسایی احساس ترس در موش‌ها ارائه می‌دهد که با ترکیب سه منبع داده شامل حالات چهره، وضعیت بدن و مسیر حرکت موش‌ها، عملکرد بسیار بهتری نسبت به روش‌های تک‌منظوره دارد.در روش‌های تک‌منظوره، هرکدام از مدل‌ها(چهره، وضعیت بدن، مسیرحرکت)به تنهایی دقت نسبتا پایینی داشتند (بین۶۹تا 78.3درصد) و تحت تاثیر عوامل محیطی یا محدودیت‌های فنی قرار می‌گرفتند؛ مثل زاویه دید دوربین یا حرکات سریع حیوان. اما مدل چندوجهی توانست با ادغام این داده‌ها، به دقت 86.7درصد برسد و تغییرات احساسی موش‌ها را بهتر و دقیق‌تر تشخیص دهد. استفاده از رمزگذارهای زمان‌محور هم کمک کرد تا وابستگی‌های زمانی حرکات و حالات، بهتر درک شود.
چالش‌ها ادامه دارند
ابراز احساسات در حیوانات معمولا چندبعدی (چندوجهی) است و اتکا به تنها یک نوع داده ممکن است نتواند به طور جامع تمامی ویژگی‌های احساسی را ثبت کند. با این وجود، روش‌های فعلی تشخیص احساسات چندمنبعی هنوز با چالش‌هایی مواجه هستند، به ویژه در زمینه گردآوری و همگام‌سازی (synchronization) داده‌های چندگانه که دشواری‌های فنی قابل‌توجهی را ایجاد می‌کند. محدودیت‌های دیگری نیز وجود دارد؛ مانند تاثیر کیفیت داده ورودی یا ضعف مدل در درک بلندمدت زمانی. همچنین اگر موش از دوربین دور شود یا در زاویه کور قرارگیرد،امکان ازدست رفتن داده وجود دارد. در آینده‌توسعه این روش برای شناسایی سایراحساسات وبهبود درک زمانی مدل می‌توانددقت وپایداری سیستم رابیشتر کند. افزون بر آن، استراتژی‌های ادغام داده‌ها در حوزه چندمنبعی هنوز به‌خوبی توسعه نیافته‌اند و این‌که چگونه می‌توان اطلاعات چندمنبعی را به صورت موثر ترکیب کرد تا عملکرد مدل بهبود یابد، همچنان یک پرسش باز در تحقیقات باقی مانده است.
آیسا اسدی - روزنامه‌نگار
درحال حاضر، تحقیقات در زمینه احساسات حیوانات عمدتا بر مشاهدات رفتاری و اندازه‌گیری‌های فیزیولوژیکی متکی هستند. روش‌های رایج ارزیابی احساسات معمولا با مشاهده حرکات حیوان یا پایش سیگنال‌های فیزیولوژیکی تلاش می‌کنند وضعیت احساسی را استنباط کنند. با این حال این روش‌های سنتی اغلب ذهنی، ناکارآمد و پیچیده‌اند و نمی‌توانند به‌صورت جامع تغییرات احساسی را در زمان واقعی ثبت کنند. این موضوع به ویژه در مواقعی که پاسخ‌های احساسی پیچیده در حال پایش هستند، بیشتر نمود پیدا می‌کند؛ زیرا داده‌های تک‌بعدی رفتاری یا فیزیولوژیکی قادر به بازتاب دقیق وضعیت احساسی حیوان نیستند.در سال‌های اخیر، با پیشرفت فناوری‌هایی نظیر بینایی ماشین، رهگیری حرکت، شناسایی وضعیت بدن و رمزگذاری چندوجهی، روش‌های تشخیص احساسات بر پایه داده‌های چندمدی (مانند حالات چهره، وضعیت بدن و مسیرهای حرکتی) پتانسیل بالایی را نشان داده‌اند. حالات چهره، تغییرات در وضعیت بدن و مسیرهای حرکتی، شاخص‌های مهمی از وضعیت احساسی حیوان به شمار می‌روند و بازتابی از پاسخ‌های آنی احساسی هستند. با ترکیب این ویژگی‌های مختلف، روش‌های یادگیری چندوجهی می‌توانند ارزیابی‌های احساسی دقیق‌تر و جامع‌تری فراهم کنند. روش‌های تشخیص احساسات چندوجهی نه تنها دقت را افزایش می‌دهند، بلکه کمبودهای روش‌های تک‌منبعی را نیز جبران می‌کند و عملکرد کلی را بهبود می‌بخشند. در مطالعه‌‌ای تازه که ششم آوریل ۲۰۲۵ در مجله Nature منتشر شد، تیمی شش نفره از پژوهشگران تلاش کردند به تشخیص لحظه‌ای احساس ترس در موش‌ها بر اساس تلفیق داده‌های چندوجهی دست یابند.
چگونگی آزمایش
در این مطالعه برای تشخیص احساس ترس در موش‌ها، طراحی آزمایشی دقیق و یک مدل پیشرفته یادگیری عمیق مبتنی بر داده‌های چندوجهی به کار گرفته شده است. تعداد ۱۰۰ موش نژاد BALB/c به صورت تصادفی به گروه‌های آزمایش و کنترل تقسیم شدند. موش‌های گروه آزمایش در معرض شوک‌های خفیف الکتریکی قرار گرفتند تا واکنش ترس در آنها ایجاد شود؛ در حالی که گروه کنترل در محیطی بی‌خطر، آزادانه حرکت می‌کردند. برای ارزیابی دقیق‌تر، هر موش تحت سه تکرار از دو شرایط مختلف (ترس‌آور و خنثی) قرار گرفت و رفتار یخ‌زدگی (freeze) به‌عنوان شاخص اصلی ترس، با استفاده از ویدئو و نرم‌افزار ردیابی ثبت و تحلیل شد.به‌منظور جمع‌آوری داده‌های رفتاری و احساسی، از دوربین‌های با کیفیت بالا با نرخ فریم ۱۰۰ استفاده شد که حالات چهره، حرکات بدن و مسیر حرکت موش‌ها را ثبت کردند. برای استخراج اطلاعات از این داده‌ها، از مدل‌های یادگیری عمیق پیشرفته مانند DeepLabCut برای ردیابی وضعیت بدن و موقعیت و از Fast R-CNN برای شناسایی چهره موش‌ها استفاده شد. حتی در شرایطی که به دلیل حرکت سریع یا زاویه دید صورت موش قابل مشاهده نبود، با استفاده از «توکن خالی» انسجام داده‌های چندوجهی حفظ شد.تمام این داده‌ها در یک مدل چندوجهی با معماری BERT ادغام شدند که وابستگی‌های زمانی میان حرکات و حالات را نیز در نظر می‌گرفت. با استفاده از مکانیزم «توجه خودکار» (Self-Attention)، مدل توانست ویژگی‌های مهم از میان حالت چهره، وضعیت بدن و مسیر حرکت استخراج کند و آنها را برای طبقه‌بندی دقیق احساسات ترکیب کند.مدل ابتدا به صورت جداگانه روی هر نوع داده (چهره، وضعیت، مسیر) آموزش داده شد و سپس برای ترکیب نهایی از آنها در قالب یک سیستم یکپارچه استفاده شد. عملکرد مدل با استفاده از معیارهایی مانند دقت، حساسیت و ویژگی (specificity) ارزیابی شد. همچنین داده‌های فیزیولوژیکی مانند سطح کورتیزول و ضربان قلب به‌عنوان معیار مرجع مورد استفاده قرار گرفت تا صحت پیش‌بینی مدل درباره وجود احساس ترس تایید شود.
یافته‌ها
این مطالعه روش نوینی برای شناسایی احساس ترس در موش‌ها ارائه می‌دهد که با ترکیب سه منبع داده شامل حالات چهره، وضعیت بدن و مسیر حرکت موش‌ها، عملکرد بسیار بهتری نسبت به روش‌های تک‌منظوره دارد.در روش‌های تک‌منظوره، هرکدام از مدل‌ها(چهره، وضعیت بدن، مسیرحرکت)به تنهایی دقت نسبتا پایینی داشتند (بین۶۹تا 78.3درصد) و تحت تاثیر عوامل محیطی یا محدودیت‌های فنی قرار می‌گرفتند؛ مثل زاویه دید دوربین یا حرکات سریع حیوان. اما مدل چندوجهی توانست با ادغام این داده‌ها، به دقت 86.7درصد برسد و تغییرات احساسی موش‌ها را بهتر و دقیق‌تر تشخیص دهد. استفاده از رمزگذارهای زمان‌محور هم کمک کرد تا وابستگی‌های زمانی حرکات و حالات، بهتر درک شود.
چالش‌ها ادامه دارند
ابراز احساسات در حیوانات معمولا چندبعدی (چندوجهی) است و اتکا به تنها یک نوع داده ممکن است نتواند به طور جامع تمامی ویژگی‌های احساسی را ثبت کند. با این وجود، روش‌های فعلی تشخیص احساسات چندمنبعی هنوز با چالش‌هایی مواجه هستند، به ویژه در زمینه گردآوری و همگام‌سازی (synchronization) داده‌های چندگانه که دشواری‌های فنی قابل‌توجهی را ایجاد می‌کند. محدودیت‌های دیگری نیز وجود دارد؛ مانند تاثیر کیفیت داده ورودی یا ضعف مدل در درک بلندمدت زمانی. همچنین اگر موش از دوربین دور شود یا در زاویه کور قرارگیرد،امکان ازدست رفتن داده وجود دارد. در آینده‌توسعه این روش برای شناسایی سایراحساسات وبهبود درک زمانی مدل می‌توانددقت وپایداری سیستم رابیشتر کند. افزون بر آن، استراتژی‌های ادغام داده‌ها در حوزه چندمنبعی هنوز به‌خوبی توسعه نیافته‌اند و این‌که چگونه می‌توان اطلاعات چندمنبعی را به صورت موثر ترکیب کرد تا عملکرد مدل بهبود یابد، همچنان یک پرسش باز در تحقیقات باقی مانده است.
آیسا اسدی - روزنامه‌نگار