يفتح الذكاء الاصطناعي آفاقًا جديدة أمام العلماء لفهم سلوك الحيوانات، بعدما أتاح تحليل تفاصيل دقيقة في حركاتها ووضعيات أجسامها، ظلت خارج نطاق الملاحظة التقليدية لعقود، وأصبح بإمكان الباحثين تتبع حركة كل طرف وانحناءات العمود الفقري، بدلًا من الاكتفاء بتسجيل المسار العام للحيوان وسرعته.
ففي تجارب دراسة الفئران داخل المتاهات المعملية، اعتاد العلماء تسجيل حركة الحيوان على هيئة نقطة واحدة تتحرك على شاشة، وهو أسلوب يوضح المسافة التي قطعها والسرعة التي تحرك بها، لكنه لا يميز بين الفأر الذي تجمد خوفًا، وآخر نام أو توقف لتنظيف جسمه.
أما تقنيات الذكاء الاصطناعي الحديثة، فتتيح تتبع الجسم بالكامل وتحليل وضعياته وحركاته، بما يساعد على رصد أنماط سلوكية أكثر تعقيدًا، ويفتح المجال أمام إعادة النظر في الطرق المستخدمة لدراسة سلوك الحيوانات.
وتوصلت مراجعة علمية حديثة إلى أن هذا التحول غيّر بالفعل طبيعة السلوكيات التي يستطيع الباحثون قياسها، لكنها أشارت إلى عقبة رئيسية لا تستطيع الكاميرات أو الخوارزميات حلها وحدها، تتمثل في غياب تعريفات علمية موحدة لكثير من السلوكيات التي يدرسها العلماء.
وأعد المراجعة كي تشين ويانينج هان وزملاؤهما، من معاهد شنتشن للتكنولوجيا المتقدمة التابعة للأكاديمية الصينية للعلوم، وجامعتين صينيتين، إلى جانب شركة متخصصة في التكنولوجيا الحيوية بمدينة قوانغتشو.
ولا تعرض الدراسة تجارب جديدة، وإنما تقدم مراجعة للأبحاث المنشورة في هذا المجال، وتعتمد معظم الأمثلة التي تناولتها على تجارب أجريت على الفئران والجرذان داخل المختبرات.
الاختبارات التقليدية لا تكشف كل تفاصيل السلوك
اعتمدت التجارب التقليدية لدراسة سلوك الحيوانات على وضعها في بيئات بسيطة وخاضعة للسيطرة، ثم تسجيل مجموعة محدودة من المؤشرات الرقمية.
فعلى سبيل المثال، يستخدم العلماء متاهة على شكل حرف «Y» لاختبار الذاكرة، من خلال قياس عدد المرات التي يختار فيها الفأر المسار الصحيح للوصول إلى الطعام.
وفي اختبار المجال المفتوح، يوضع الفأر داخل ساحة خالية، ويراقب الباحثون عدد المرات التي يقترب فيها من المنطقة الوسطى المكشوفة، باعتبار ذلك مؤشرًا على السلوك المرتبط بالقلق.
وتعتمد اختبارات أخرى، مثل متاهة بارنز، على المبدأ نفسه، إذ تقيس أداء الحيوان من خلال عدد من النتائج المحددة مسبقًا.
ورغم سهولة توحيد هذه الاختبارات وتكرارها، فإنها لا تكشف سوى جانب محدود من السلوك الطبيعي للحيوان، كما أن نقل الفأر من قفصه المعتاد إلى جهاز تجريبي غير مألوف قد يغير طريقة تصرفه ويؤثر في النتائج.
وترى المراجعة أن هناك فجوة متزايدة بين التطور في دراسة نشاط الدماغ والطرق المستخدمة لقياس السلوك؛ ففي الوقت الذي أصبحت فيه المجسات الحديثة قادرة على تسجيل نشاط آلاف الخلايا الدماغية في الوقت نفسه، لا تزال هذه البيانات تقارن أحيانًا بمؤشر واحد، مثل سرعة الحيوان أو الوقت الذي يقضيه في منطقة معينة.
برامج الذكاء الاصطناعي تتعلم قراءة وضعيات الجسم
تعتمد التقنيات الأحدث على تسجيل مقاطع الفيديو، ثم تدريب برامج الذكاء الاصطناعي على تحديد نقاط مختارة في جسم الحيوان داخل كل إطار من إطارات التسجيل، بما يحول حركة الفأر إلى نموذج متحرك يشبه الهيكل العظمي.
وتُعرف هذه التقنية باسم «تقدير وضعية الجسم» (Pose Estimation)، وهي تتيح للباحثين تتبع مواضع أجزاء الجسم وتحليل تغيراتها مع مرور الوقت.
ومن أبرز البرامج المستخدمة في هذا المجال أداة «DeepLabCut» مفتوحة المصدر، التي يمكن تدريبها باستخدام عدد محدود نسبيًا من الصور التي يحدد الباحثون فيها مواضع أجزاء جسم الحيوان يدويًا.
لكن عملية إعداد البيانات تظل مستهلكة للوقت؛ إذ تشير تقديرات وردت في مراجعة علمية منشورة عام 2021 إلى أن وضع علامات يدوية على كل إطار في تسجيل فيديو مدته ساعة واحدة قد يستغرق نحو 22 ساعة من العمل البشري.
وتستخدم بعض المختبرات كاميرات تعمل بالأشعة تحت الحمراء، أو ميكروفونات فوق صوتية تلتقط الأصوات التي تصدرها الحيوانات بترددات أعلى من قدرة الأذن البشرية على سماعها.
وبعد تتبع الحركة، تأتي مرحلة ثانية من التحليل، إذ تصنف البرامج الحركات المسجلة إلى سلوكيات محددة. وتعتمد بعض الأدوات على مقاطع فيديو سبق أن صنفها البشر، بينما تجمع أدوات أخرى الحركات المتشابهة تلقائيًا دون الحاجة إلى تسميات مسبقة.
وساعدت الطريقة الأخيرة على اكتشاف حركات تستمر لأقل من ثانية، لم يكن المراقبون البشر ينتبهون إليها من قبل. ومع ذلك، تحذر المراجعة من أن قدرة الكمبيوتر على تمييز نمط حركي معين لا تعني بالضرورة أنه يمثل سلوكًا ذا دلالة بيولوجية واضحة.
وتشير المراجعة أيضًا إلى أن بعض الأدوات التي تناولتها طُورت بمشاركة فرق تضم مؤلفين من الدراسة نفسها.
ويعمل تشين وكانج هوانج لدى شركة «Guangdong BayOne Biotech»، التي تمتلك براءات اختراع مرتبطة بتقنية لتحليل السلوك تُعرف باسم «BehaviorAtlas»، بينما أفاد المؤلفون الثلاثة الآخرون بعدم وجود مصالح مالية لهم في الشركة.
تشابه الفئران يربك أنظمة التتبع
يكون تتبع حيوان واحد داخل مقطع فيديو مهمة أسهل نسبيًا، لكن الصعوبة تتضاعف عندما تتحرك مجموعة من الفئران داخل مساحة واحدة، إذ يتعين على البرنامج تحديد هوية كل حيوان والحفاظ على تمييزه طوال التسجيل.
وتواجه هذه الأنظمة تحديًا خاصًا مع فئران المختبر، لأن كثيرًا منها ينتمي إلى سلالات متقاربة وراثيًا أو إلى البطن نفسه، ما يجعل مظهرها متشابهًا بدرجة كبيرة.
كما تتغير هيئة الفأر عندما يلتف حول نفسه، وقد تؤدي القضمات أو الاحتكاكات إلى فقدان أجزاء من الفراء، وهو ما يزيد صعوبة التعرف عليه بصورة ثابتة.
وفي مقارنة أجرتها المراجعة بين أدوات التتبع، حقق برنامج «SLEAP» نحو 90% من أقصى دقة ممكنة للتتبع باستخدام ما يقرب من 200 إطار فيديو فقط جرى تحديد مواضع الحيوانات فيها يدويًا.
ومع ذلك، أخطأ البرنامج في تحديد هويات الفئران أو خلط بينها نحو 23 مرة لكل 100 ألف إطار فيديو، مقارنة بأقل من مرة واحدة في العدد نفسه من الإطارات عند تتبع ذباب الفاكهة.
ولا يمثل هذا الخطأ مجرد مشكلة تقنية محدودة؛ إذ إن تبديل هوية فأرين دون تصحيح الخطأ قد يؤدي إلى إسناد جميع القياسات اللاحقة إلى الحيوان الخطأ، بما يؤثر في دقة النتائج العلمية.
وتوفر الشرائح اللاسلكية المزروعة داخل أجسام الحيوانات وسيلة موثوقة للتعرف على كل فرد، وتستخدم المزارع تقنيات مشابهة لمتابعة كميات الطعام والمياه التي تستهلكها الماشية.
لكن زرع هذه الشرائح إجراء تدخلي قد يسبب انزعاجًا للحيوان، وهو ما يمكن أن يغير سلوكه ويؤثر في القياسات التي يسعى الباحثون إلى تسجيلها.
غياب تعريفات موحدة للسلوكيات يعرقل مقارنة الأبحاث
لا تقتصر التحديات على دقة التتبع، إذ يواجه الباحثون مشكلة أعمق تتعلق بكيفية تعريف السلوك نفسه.
وتطرح المراجعة مثالًا على ذلك: ما المدة التي يجب أن يستغرقها انحراف الفأر عن مساره، وما مقدار حدته، حتى يصنفه الباحثون باعتباره انعطافًا إلى اليمين أو اليسار، بدلًا من اعتباره استمرارًا في السير إلى الأمام؟
في غياب تعريف متفق عليه، قد يعتمد كل مختبر على تقديره الخاص، ما يجعل النتائج صعبة المقارنة.
وتزداد المشكلة تعقيدًا عند استخدام مفاهيم واسعة مثل السلوك المرتبط بالقلق؛ فقد يُعرّف هذا السلوك بأنه قضاء وقت أقل في الأذرع المفتوحة لمتاهة مرتفعة على شكل صليب، أو ميل الفأر إلى البقاء بالقرب من جدران ساحة مفتوحة.
ورغم أن الاختبارين قد يحملان الاسم نفسه، فإن المراجعة تشير إلى أنهما قد يقيسان جوانب مختلفة من السلوك.
أما السلوك الاجتماعي، فيطرح أسئلة إضافية؛ فعندما يقترب فأر من آخر، ما المسافة التي يجب أن تفصل بينهما حتى تصنف الحركة باعتبارها اقترابًا؟ وكيف يمكن تفسير التفاعلات عندما تدخل مجموعة ثالثة إلى المشهد، فيتعاون فأران ضد ثالث، أو يتدخل أحدهما في صراع بين الآخرين؟
وتظهر أهمية التعريف الدقيق أيضًا في نماذج الفئران المستخدمة لدراسة مرض باركنسون؛ فقد تكفي متابعة عدد محدود من النقاط على أحد الأطراف الأمامية لاكتشاف الرعشة، لكن الدراسة الأكثر تفصيلًا قد تتطلب التمييز بين الإمساك الطبيعي والإمساك المصحوب بالاهتزاز والرعشة أثناء الراحة.
وبسبب اختلاف المختبرات في تصميم التجارب وتعريف السلوكيات، لا يمكن في كثير من الأحيان دمج البيانات الناتجة عنها أو مقارنتها بصورة مباشرة.
وتشير المراجعة إلى أن صيغة البيانات المشتركة «Neurodata Without Borders» تمثل خطوة مهمة نحو توحيد طريقة تخزين البيانات وتبادلها، لكن اعتمادها بين المختبرات لا يزال متفاوتًا.
هل يمكن التعامل مع السلوك مثل الحمض النووي؟
تطرح المراجعة تصورًا أكثر استكشافية لفهم سلوك الحيوانات، يقوم على ما أطلق عليه الباحثون «النيوكليوتيدات السلوكية» (Behavioral Nucleotides)، في تشبيه بوحدات النيوكليوتيدات الكيميائية التي تصطف في تسلسلات وتحمل المعلومات الوراثية داخل الحمض النووي.
ويقترح الباحثون وصف كل لحظة مرصودة من حركة الحيوان بمجموعة من الأرقام، والتعامل معها باعتبارها وحدة سلوكية محتملة.
ومن خلال ربط هذه الوحدات وفق قواعد أطلقوا عليها «النحو السلوكي» (Behavioral Syntax)، يمكن بناء أنماط أكبر ترتبط بوظائف مثل البحث عن الطعام أو تجنب المخاطر.
وفي حال نجاح هذا التصور، قد يتمكن العلماء من الاستفادة من أدوات تحليل الحمض النووي، مثل محاذاة التسلسلات ومقارنتها، لدراسة أوجه التشابه والاختلاف بين أنماط الحركة والسلوك.
كما قد تتيح هذه الطريقة إعداد توقعات قصيرة المدى لما يمكن أن يفعله الحيوان لاحقًا، على هيئة احتمالات إحصائية، بدلًا من تقديم تنبؤات حتمية.
لكن الباحثين يشيرون إلى أن نجاح الفكرة يتوقف على القدرة على تعريف الوحدات السلوكية بصورة ثابتة وقابلة للتكرار، فضلًا عن أن تقسيم الحركة المتصلة إلى خطوات منفصلة قد يؤدي إلى فقدان بعض التغيرات التدريجية التي تحدث أثناء الحركة.
روبوتات تتواصل مع الحيوانات لفهم لغة الجسد
من بين الأفكار التي تقترحها المراجعة تطوير ما وصفه الباحثون بـ«الحيوانات الروبوتية ثنائية اللغة» (Bilingual Robotic Animals)، وهي روبوتات يمكنها إرسال إشارات دقيقة ومتكررة إلى الحيوانات الحية.
وتقوم الفكرة على تغيير إشارة واحدة في كل مرة، بما يساعد الباحثين على بناء قاموس تقريبي للغة جسد الحيوانات، وفهم كيفية استجابتها لأنواع مختلفة من الإشارات.
لكن هذه الطريقة تواجه تحديًا أساسيًا؛ فالروبوت قد يختلف عن الجرذ الحقيقي في مظهره وحركته ورائحته، وهو ما قد يدفع الحيوان إلى الاستجابة لغرابة الجسم الآلي نفسه، بدلًا من الاستجابة للإشارة التي يحاول الباحثون اختبارها.
حدود الذكاء الاصطناعي في أبحاث الحيوانات
لا يزال من غير الواضح ما إذا كانت هذه التطورات ستنعكس بصورة مباشرة على علاج الأمراض لدى البشر، لكنها قد تجعل الأبحاث السابقة للتجارب السريرية أكثر دقة وقابلية للتكرار.
ومع ذلك، تحذر المراجعة من أن اختلافات الأنواع الحيوانية عن البشر، إلى جانب محدودية العلاقة بين الاختبارات المعملية والاضطرابات النفسية لدى الإنسان، تضع قيودًا على إمكانية نقل النتائج إلى التطبيقات الطبية.
وتناقش الدراسة أيضًا إمكانية استخدام حيوانات افتراضية لتقليل الحاجة إلى التجارب الحية؛ إذ يمكن إنشاء نماذج رقمية للفئران اعتمادًا على مجسمات تشريحية ثلاثية الأبعاد، ثم إنتاج مقاطع فيديو تدريبية تتضمن العلامات والتصنيفات المطلوبة مسبقًا.
كما شددت المعاهد الوطنية للصحة في الولايات المتحدة على أهمية تطوير أساليب بحثية تقلل استخدام الحيوانات في التجارب.
وفي إحدى الدراسات، تمكنت برامج مدربة على مقاطع فيديو اصطناعية من تقدير وضعيات أجسام الحيوانات بدقة تقارب تلك التي حققتها برامج تدربت على تسجيلات حقيقية جرى تحديد مواضع الحيوانات فيها يدويًا.
لكن الدراسات الأخرى استخدمت مقاييس مختلفة، ما يجعل مقارنة نتائجها أمرًا صعبًا.
ولهذا، أوصى مؤلفو المراجعة بإنشاء مجموعات بيانات مشتركة تضم تسجيلات فيديو حقيقية من اختبارات سلوكية، حتى يتمكن الباحثون من مقارنة أداء أدوات الذكاء الاصطناعي، سواء دُربت على مقاطع حقيقية أو مولدة بالكمبيوتر أو على مزيج من الاثنين.
ونُشرت المراجعة العلمية في دورية The Innovation Reviews، وتخلص إلى أن الذكاء الاصطناعي يوسع قدرة العلماء على رصد سلوك الحيوانات وتحليله، لكن الوصول إلى فهم أكثر دقة يتطلب أيضًا الاتفاق على تعريفات مشتركة للسلوكيات، وتطوير قواعد موحدة لتبادل البيانات ومقارنة النتائج.
